从 PDF 等二进制文件中读取文本

我在 C++ 中读取二进制文件时遇到问题。目前我的代码是这样的：

FILE *s=fopen(source, "rb");
fseek(s,0,SEEK_END);
size_file size=ftell(s);
rewind(s);

char *sbuffer=(char *) malloc(sizeof(char) * size);
if(sbuffer==NULL){
    fputs("Memory error", stderr);
    exit(2);
}
size_t result=fread(sbuffer,1,size,s);
if(result != size){
    fputs("Reading error",stderr);
    exit(3);
}
fclose(s);
cout<<sbuffer<<endl;

但是，终端上打印出来的字符都是随机字符，而不是我在PDF文件中写入的字符。他们就像：

% P D F - 1 . 3 
 % ? ? ? ? ? ? ? ? ? ? ? 
 4   0   o b j 
 < <   / L e n g t h   5   0   R   / F i l t e r   / F l a t e D e c o d e   > > 
 s t r e a m 
 x  ? ? ? j ? 0  E ? ? ? k ?  y Q E # ? ? ? m ? & ? ? @  % + ? .     ? ?  ? ? A i  ?     4 z \ 1 G W ? ?  - , ? ? ? (  ? ? ?  9 ? ? ? ? ?  \ ? } ? ? ? e ? ? ? ? 0 ? ? ? ~ ? , ? ? & 8 ? ? x e 4 ? r 
 | ? ? ? 
          ? ? ? ? E  > a ? ? z & ? Z ? < ?  }  '  ? ? ? j p ? ? Q 7 0 ? ? ? S %  - p ? ? ? 7 D  ?  ? ? ' Q z Q ?  ? ? ? ? ? ? ? ? ? \ 2 ? ? 7 ? ? ? < ? ? D ~  ? ? ? 

 e n d s t r e a m 
 e n d o b j 
 5   0   o b j 
 2 2 8 
 e n d o b j 
 2   0   o b j

还有许多其他类似上述的角色。我尝试搜索很长时间但找不到如何获取实际字符以供以后处理。顺便说一句，我正在尝试编写一个压缩器，它将二进制文件作为输入和输出。非常感谢这里的任何帮助！

只有少数文件格式（例如纯原始 .TXT 文本文件）可以直接“读取”和“理解”。大多数文件格式，包括几乎所有二进制格式，都是..format。这意味着某些结构保存在文件内。与完全无结构的.TXT文本文件完全相反，或者更确切地说，它是一大块纯数据。

打开写字板或 Word 或任何其他至少有点聪明文本编辑器并在其中写入一些文本，然后将其另存为 RTF、DOC、ODT 或任何其他非 TXT 文件。然后也将其另存为 TXT 文件。

下载十六进制查看器/十六进制编辑器。无论哪一个。免费使用其中一个，您不需要太多功能，只需在一列中显示原始二进制值并在另一列中显示 ASCII 文本即可。几乎任何免费的十六进制查看器/编辑器都可以做到这一点。

打开并比较这两个文件。您会立即看到差异。

回到PDF：

PDF 甚至可以包含与文本交错的图形。如果文本像 TXT 中那样“只是放在文件中”，您希望如何保留它？如何嵌入图像位置/描述/数据？如果我没记错的话，PDF 甚至可以包含类似于 JavaScript 的脚本。可执行。在 PDF 类型的文档中，您可以使用执行某些操作的按钮。这比文件中的文本要复杂得多。

二进制文件通常不包含任何您眼睛可读的文本。他们的文本以块的形式结构化，包含在有关颜色、文本布局、分页等的元数据中，甚至包含有关文档版本控制、创作、分类的特殊结构（...）。这一切都必须存储在某个地方。

通常，二进制文件有部分。第一部分通常称为标题。里面会有以下信息：格式类型、格式版本、文件/块/数据长度、图像分辨率等。所有这些最有可能将以二进制形式保存：没有“800x600”文本，只有“|00|00|03|20|00|00|02|58|”假设 32 位 BE。在阅读、解码和理解描述后，您将知道实际数据从哪里开始，数据块如何布局，以及如何解码它们并理解它们包含的内容。

edit:

了解文本文件和二进制文件之间的区别后，请查看以下内容的绝对基础知识http://en.wikipedia.org/wiki/Entropy_(信息理论) http://en.wikipedia.org/wiki/Entropy_(information_theory)。然后尝试玩 RLE (http://www.daniweb.com/software-development/cpp/code/216388/basic-rle-file-compression-routine http://www.daniweb.com/software-development/cpp/code/216388/basic-rle-file-compression-routine）或霍夫曼（http://www.cprogramming.com/tutorial/computersciencetheory/huffman.html http://www.cprogramming.com/tutorial/computersciencetheory/huffman.html）只是从相对简单的事情开始。然后开始阅读有关霍夫曼代码的更多信息，然后，好吧，您将为任务做好合理的准备，例如 ZIP 或 LZH。