如何用Python解码PDF文件文本？解析PDF TJ操作符及内容类型

一、逐行理解PDF内容 #

• BT：开始文本块，标记后续指令用于文本绘制
• /F2 8.8 Tf：设置文本字体与字号，/F2是文档内定义的字体ID，8.8为字号，Tf是字体设置操作符
• 1 0 0 1 36.85 738.3 Tm：设置文本矩阵，前四个参数表示无缩放、旋转，后两个数值36.85 738.3是文本绘制的起始坐标（PDF坐标系原点在页面左下角）
• 0 g：设置文本填充色为黑色，g是填充色操作符
• 0 G：设置文本描边色为黑色，G是描边色操作符（此处文本无需描边，与填充色一致）
• [(A)31(c)-44(c)-44(o)-79(u)11(n)-79(t)5( )] TJ：执行文本绘制，TJ是文本显示操作符
• ET：结束文本块

二、文本数组的类型说明 #

[(A)31(c)-44(c)-44(o)-79(u)11(n)-79(t)5( )] 是PDF中的文本显示数组，属于PDF数组类型，专门配合TJ操作符使用：

• 数组元素分为两类：带括号的字符串（如(A)、(c)）代表要显示的字符；数字（如31、-44）是字距调整值，单位为千分之一字号，正数增加字符间距，负数缩小间距
• 按规则计算后，这段数组最终会显示文本：Account （末尾含空格）

内容的提问来源于stack exchange，提问作者arvind kumar