PDF文档版本是否影响Stream编码？多PDF数据流解码求助

针对你遇到的5种PDF内容流文本场景，以下是具体的解码逻辑和处理方法：

1号文档（西里尔字母） #

内容流中的/TT2是字体引用，核心依赖字体编码映射：

• 先找到/TT2对应的字体字典，查看Encoding或ToUnicode属性：
  • 若字体用自定义编码，需根据Encoding定义的字符映射表，将内容流括号内的ASCII字符（实际是编码索引）转换为西里尔字母；
  • 若为TrueType字体，解析ToUnicode CMap流，通过字形到Unicode的映射关系完成转换。
• 注意：括号内的(!"#$%&'\(\)*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\\]^_ab)不是直接文本，是字体编码的索引值，必须结合字体映射才能得到西里尔字符。

2号文档（常规英文） #

这是PDF基础文本存储方式：

• /F1字体使用标准编码（如WinAnsiEncoding），括号内的( This is a small demonstration .pdf file - )直接是符合编码的字节流，用latin-1或utf-8解码即可得到正常字符串。

3号文档（Unicode双字节编码） #

内容流中的\x00o\x00v\x00e...是UTF-16BE编码：

• 这类场景对应字体采用Unicode编码，直接将文本块的字节按utf-16-be解码，就能得到overall number of doses in the series这类正常字符串。
• 若为西里尔字母的双字节编码（如\x04\x10对应俄语А），同样用utf-16-be解码即可。

4号文档（多语言混合） #

内容流中的\x00D\x00a...\x04\x14\x040\x04B...是混合UTF-16BE编码：

• 英文部分是\x00+ASCII字节的UTF-16BE格式，俄语部分是\x04开头的西里尔Unicode区块（U+0400-U+04FF）双字节，整体按utf-16-be解码即可同时识别英文、罗马尼亚语和俄语字符。

5号文档（字形索引编码） #

内容流中的<0028><005B>...是十六进制字形ID，需通过ToUnicode CMap映射处理：

1. 找到/F1字体字典，查看是否存在/ToUnicode条目，该条目指向一个CMap流；
2. 解析CMap流，提取字形ID（如<0028>）与Unicode字符的对应关系；
3. 将每个十六进制索引映射为对应Unicode字符，组合成最终字符串。

• 若字体无ToUnicode CMap，需从FontDescriptor的FontFile提取字体文件，用字体解析工具（如fonttools）获取字形到Unicode的映射关系。

内容的提问来源于stack exchange，提问作者Knwsrw