通过正则表达式将页面区分为pdf流

Question

我需要从pdf流中提取一些信息。
提取相关文本非常简单，因为它类似于：

BT /Fo0 7.20 Tf 67.81 569.38 Td 0.000 Tc (TOTAL AMOUNT) Tj ET

我可以考虑修正y位置，而x位置由于giustification而变化。 但我的问题是识别页面的开头及其结束。

Answer 1

您不应该确定与“信息提取器”相关的所有PDF都表现得非常好。或者你可以，因为你知道他们是谁？

否则，您遇到的PDF代码很可能会发生：

BT 
  /Fo0 7.20 Tf 
  67.81 569.38 Td 
  0.000 Tc 
  (TO)12(T)13(AL A)11(M)14(OUNT) TJ 
ET

即......

• ...使用TJ代替Tj，以允许个性字形定位，
• ......有更多的换行符，
• ......也许还有更多的修改。

为了可靠地获取页面的文本内容，您必须解析PDF的结构，简而言之：

1. 找到/Type /Page;
的所有对象
2. 转到每个页面对象，并检索有关其/Contents的信息;
   • /Contents可能指向单个流，或
   • /Contents可能指向一组流;
3. 转到此内容对象并提取其流。

实际上，上述第一步可能会变得更复杂：

• 找到并转到trailer <<...>>部分
预告片中的
• 找到有关文档/Root对象
的信息
• 转到根对象
• 从/Pages对象
中提取有关/Root的信息
• 转到/Pages对象（与孩子和父母一起的intermedia 页面树节点;
• 从检查/Kids对象
中查找此页面树节点的所有后代
• 转到/Kids列出的各个对象;
  • 它可能是/Type /Pages（在这种情况下，它是另一个页面树节点，而不是树 leaf ，你必须遵循树进一步）;
  • 它可能是/Type Page（在这种情况下，您到达了一个页面树 leaf ，这意味着您真的到达了一个页面。）

此时我应该注意，您在此旅程后找到的第一页是第1页。接下来是第2页等。请注意，没有任何页面有任何元数据说“我是页码N” - 这完全取决于您从根对象中解析页面树的顺序。

既然您确实找到了内容流，那么您将面临另外两个问题：

1. 您正在寻找的内容流可能根本不是明文（如您的代码所示）。内容流经常被允许的压缩方案之一压缩，在解析文本内容之前，您必须先扩展它们。

   要查看流是否已压缩，请注意相应的 * Decode 关键字（经常显示为/Filter /FlateDecode）。

2. 成功解压缩网页的内容流后，您可能会遇到描述文字的完全不直观的字符代码。它可能根本不是您想象并在示例代码中显示的相同类型的良好行为ASCII。

   你必须查找字体（甚至像CID这样的多字节字体），它们的编码，CMaps和什么不是。

   除非我在最初的句子中提出质疑，否则知道在您的特定用例中没有发生......