如何从PDF内容中提取十六进制编码文本并解决解码乱码问题

• 没有考虑PDF的自定义字体编码映射
  你在diff结果中看到的/C2_2 9.96 Tf指令，代表这段文本使用了名为C2_2的自定义嵌入字体。PDF中嵌入字体通常会配套自定义字符映射表（CMap），Tj指令尖括号内的十六进制内容是字形索引值，而非文本本身的ASCII/Unicode编码，需要配合对应字体的CMap才能映射为可读文本，直接按ASCII解码必然得到乱码。
• 直接对比原始PDF内容流而非提取后的纯文本
  你用pdfcpu导出的是PDF页面的原始渲染指令流，除了文本内容外，还包含大量和文本无关的渲染参数：你本次diff结果中的1 0 0 rg（设置填充颜色）、0 i（设置平面对齐）、/RelativeColorimetric ri（设置色彩渲染意图）都属于这类冗余指令，直接diff内容流会引入大量非文本的干扰差异。
• 缺少文本归一化步骤
  就算提取到纯文本，不同版本PDF的换行、空格、字符间距可能存在无意义的差异，直接diff会产生大量误报，需要先对提取的文本做归一化处理（比如统一换行规则、删除多余空格、过滤页眉页脚等固定内容）再做对比。

• 优先使用自带编码解析能力的文本提取工具，比如poppler工具包的pdftotext、Python的pdfplumber库等，这类工具会自动读取字体CMap完成编码映射，直接输出可读的纯文本内容，提取两份PDF对应页面的纯文本后再运行diff即可得到准确的文本差异。
• 如果必须手动解析原始内容流，需要先从PDF文件结构中提取对应字体的CMap表，再把Tj指令中的十六进制编码按CMap映射为对应字符，不能直接按ASCII规则解码。

内容的提问来源于stack exchange，提问作者Zach Young