知网下的 .caj，其实就是个尾巴被塞了东西的 PDF

从知网下了一篇论文，想在手机上翻两眼，微信里点开却是"文件已损坏"。换个阅读器，有的能开、有的白屏；发到电脑上又正常。折腾了半宿才弄明白：那个 .caj 根本不是什么特殊格式。

它本来就是 PDF，只是尾巴被塞了东西

知网给的 .caj，绝大多数用十六进制看第一行就是 %PDF-1.6——它就是一份标准 PDF，只是文件结尾被追加了一块知网自己的私有数据（记录下载者、订单号那类信息，XML 结构，FileProperty-Package）。

阅读器打开文件只看文件头，所以能认出来；但翻到尾部撞见一段不属于 PDF 规范的东西，有的就直接判"损坏"——微信内置预览和安卓自带阅读器是最容易翻脸的两个。

所以正确的动词不是"转换"，是"清理重写"：把尾部的垃圾块去掉，再把文件内部的索引重建一遍。

先认文件头，再决定走哪条路

.caj 是个套壳后缀，里面至少藏着三种完全不同的东西。别急着找工具，先看头四个字节：

head -c 4 "论文.caj"

判断技巧还有一条：看结尾。用 tail -c 64 "论文.caj" 看一眼，如果最后不是 %%EOF，而是一段 </FileProperty-Package> 之类的 XML，那基本可以确诊是第一种。

最常见的那种：一条命令就完了

mutool clean -gggg -d -s "论文.caj" "论文.pdf"

mutool 是 mupdf 自带的工具，Termux 里 pkg install mupdf 就有了，几兆大小。四个参数各管一件事：-g 做垃圾回收（写四个是最高强度），-d 丢掉文档结构树和 XML 元数据残留，-s 重排并重建交叉引用表——最后这个是关键，前三步删掉的是对象，只有重建了索引，文件才算重新变成一个合法 PDF。

有两件事千万别做。

一是别直接把 .caj 改名成 .pdf。文件名骗得过电脑，骗不过阅读器——尾部那段垃圾还在，微信照样报损坏。二是别用文本编辑器或 sed 手工把尾部那段 XML 删掉。PDF 的交叉引用表里记着每个对象在文件中的字节偏移，硬删一段，后面所有偏移全部错位，文件从"部分打不开"直接变成"彻底报废"。清理必须交给会重建索引的工具。

转完必须验三件事

mutool info "论文.pdf" | grep -E "PDF-|Pages:"
mutool draw -F txt "论文.pdf" | head -25
head -c 20 "论文.pdf"; echo; tail -c 20 "论文.pdf"

页数和源文件一致；文字层能提出中文（能提＝不是扫描件，可搜索可复制）；首尾是 %PDF-1.6 和 %%EOF。

还有一步肉眼环节：把页面渲染成图看一眼，防乱码方块和错位。

D=$(mktemp -d)
mutool draw -o "$D/p%d.png" -r 100 "论文.pdf"

图片出来能直接看图核对：首页标题对不对、末页参考文献全不全、有没有缺字。这一步花的三十秒，比事后发现"少了一整页"再返工值钱。

那次的实际数字

源文件 198KB、六页；转完 527KB、还是六页。体积涨了一倍多，因为重建索引和对象表本身就是有成本的，但页面内容一个字节没动。文字层能正常提取全角中文，首页标题、作者、刊物年份和末页的责任编辑都在。

难对付的那种：正文就在文件里，工具却导不出来

第二种（首字节 0xC8）才是真的麻烦。这类文件用开源的 caj2pdf 跑，它会告诉你"成功"，页数、插图数都报得出来——但导出的 PDF 里一张正文都没有，只剩几张插图。这不是工具写错了，是这类 CAJ 的正文既不是图片、也不是 PDF 页面，而是一段私有文本指令流，caj2pdf 根本没实现它。

好消息是文字完整地躺在文件里，只要按结构解出来，能做出带文字层、可搜索可复制的 PDF。实测的结构是这样：

• 页表从偏移 0x50 开始，每页 20 字节，依次是文本段偏移、长度、图片数、页号、保留、下一段偏移；
• 页文本段是"控制标签 + 字符单元"混在一起的小端 u16 流：0x8001 后面跟 Y 坐标，0x8002 跟 X 坐标，0x80CC 是一组字形记录，其余 0x8000~0x80FF 一律当标签按四字节跳过；
• 剩下的四字节才对：前两个是横坐标，后两个是 GBK 码，而且是字节反序存放的——必须先按小端读出码值，再拼回 bytes([码>>8, 码&0xFF]) 用 gb18030 解码，直接按字节解全是乱码；
• 字符不会和标签打架，因为 GBK 首字节从 0x81 起，0x80 本身非法，所以落在标签区间的一定是标签；
• 英文字母数字另有一套映射：高字节 0xA0、低字节 0xC1~0xFA 时，真实字符就是低字节减 0x80；
• 插图记录 12 字节，后面紧跟图片数据，下一条记录要按"12 + 长度"往后跳；而且图片在文件里是上下倒序存的，嵌进 PDF 前必须翻转，否则整张图是倒的。

按这套解出来，五页正文按原坐标重新排版，插图按原页成组排在后面，一共七页，文字层可搜索。

后来又修的三处

能用之后复查，发现三处值得改，改的都不是解码逻辑：

一是双栏论文的文字层原来左右交替，复制出来是碎片。改成按基线聚类、按行内大空隙切栏段，先输出左栏读完再输出右栏——字符还画在原坐标，版面不变，但复制和搜索都连贯了。

二是年份、页码、分类号这类全角数字（２００７、Ｇ６２３），搜 2007 搜不到。改成画字前把全角数字字母转半角，全角标点一律不动，否则中文逗号顿号会被破坏。一份文件修正了四百多个字。

三是四张插图原来各占一页，白页太多。改成按原页成组、一页两张，带"原文第 N 页 插图"的标题，九页压到七页。

还有两件是格式本身的限制，改不了：插图没法回到正文原位（这类 CAJ 里图片不带页坐标，只记了属于哪一页），只能成组排在正文后面；宽字距的英文页眉在文字层里可能被插进多余空格，复制下来要手工去一下。

我踩过的几个坑

/tmp 在 Termux 里不可写，报 Permission denied，中间图一律用 mktemp -d 生成目录。

mutool clean -s 拿 /dev/null 当输出"验证"会出事——它会反推出一个 out.pdf 悄悄丢在当前目录，你以为没留文件，其实留了。

中文名、空格、引号三样凑齐的时候，变量不加双引号必报"文件不存在"，因为 shell 按空格把文件名拆成了两个参数。

输出名和源文件名只差扩展名，手滑写成同一个路径就把原件覆盖了。原始 .caj 留着，出问题能重来。

一整个压缩包全是 caj 的时候

现实里更常见的是"导师发来一个压缩包，里面十几篇"。流程是：解压出所有 .caj → 逐个转换（脚本按文件头自动分流）→ 每份都核一遍页数、别跳 → 重新打包。

Termux 里没有 zip 命令（只有 unzip），要用 Python 的 zipfile 模块打包，中文名才不乱码：

python3 -c "
import zipfile,glob,os
with zipfile.ZipFile('论文_PDF版.zip','w',zipfile.ZIP_DEFLATED) as z:
    for f in sorted(glob.glob('*.pdf')): z.write(f, os.path.basename(f))"

耗时大头在原生型：一百多页的 caj2pdf 单份要跑几分钟，属正常。其余两种都是秒级。

转不动就别硬转

原生型（CAJ/HN/KDH）真转不动的时候，有三条退路，按省事程度排：

一、回知网重新下载，下载页选"PDF 下载"而不是 CAJ。这是最省事的一条，值得优先考虑——很多折腾都是在为一次点错买单。

二、手机上装 CAJViewer 官方 App，打开后走"另存为"或"打印为 PDF"。

三、电脑端用知网研学（E-Study）打开，导出 PDF。

工具能做到哪一步是有边界的，识别出边界、换条路，比在一个导图像的工具上磨一个小时划算。