Неизвестная кодировка, используемая в строках PDF

Question

Я пишу код для извлечения URL-адресов из PDF-файлов. В большинстве файлов URL отображаются как простые ascii. Однако в некоторых файлах PDF, таких как сама спецификация PDF (https://www.adobe.com/content/dam/acom/en/devnet/pdf/pdfs/PDF32000_2008.pdf), URL-адреса отображаются в шестнадцатеричной форме без видимой структуры.

Например, в приведенном выше файле в основных метаданных автор выглядит так:

/Author <F240D629CD72348F>

Это декодируется Атрилом и другими программами просмотра PDF как «Джим Кинг». Шестнадцатеричные строки в два раза длиннее литерального значения, как и ожидалось, но зашифрованы до неузнаваемости. Предполагая отображение байтового значения 1: 1 в символы, «i» кодируется как 0x40 и 0x72.

Фактическое значение URL: <EB345AA632781A90E90781A4A0BF42680D1F1AD67910B293798B0AFFED8407CE12684F21B7F471D96DCE4864CAB970A98E7F911C207A12C6E6900D789BC13AE87E76A9D6B8EDDADE7A53EAA521E6421295EA31305C>

Должен декодировать в: http://www.iso.org/iso/iso_catalogue/catalogue_tc/catalogue_detail.htm?csnumber=51502

Я также посмотрел исходный код PyPDF2, который умеет декодировать эти строки, но я не нашел ответа.

Как найти кодировку, используемую для аннотаций в документе PDF?

Answer 1

Пример pdf зашифрован, как вы можете определить, посмотрев его трейлер, который содержит запись Encrypt :

/Encrypt 126988 0 R

Таким образом, все строки и потоки в этом файле PDF (за очень немногими исключениями) зашифрованы.

(Если вам интересно, почему вам не нужно вводить пароль при открытии файла: стандарт pdf определяет пароль по умолчанию, который пытается использовать процессор pdf, прежде чем попросить пользователя ввести пароль. Этот пароль по умолчанию используется здесь. )

Таким образом, перед анализом строк вы должны их расшифровать. Если вы не хотите реализовывать расшифровку самостоятельно, вы можете использовать такой инструмент, как qpdf, чтобы сделать это при подготовке вашего кода.