Question

我想使用pypdf迭代pdf页面中的所有对象。

我还想检查对象的类型是什么，无论是文本还是图形。

代码段将是一个很好的帮助。

非常感谢

Answer 1

我认为PyPDF不适合这项工作。你需要的是解析页面本身（对于PyPDF有限的支持，请参阅the API documentation），然后能够将结果保存到另一个更改某些对象后的PDF对象。

您可以使用pdftk解压缩PDF，这样您就可以使用pdfrw了。

然而，根据你的写作，

我的最终目标是以不同方式为每个文本对象着色。

“文本对象”可以是由（例如）不同段落中的不同行组成的非常复杂的对象。这可能是，您可能会将其视为单个实体。在这个实体中，可能已经存在几种不同的文本颜色命令。

例如，您可能只有一个包含此文本序列的流（这是用“内部”语言编写的）：

12.84 0 Td(S)Tj
0.08736 Tc
9 0 Td(e)Tj
0.06816 Tc
0.5 g
7.55999 0 Td(qu)Tj
0.08736 Tc
1 g
16.5599 0 Td(e)Tj
0.06816 Tc
7.55999 0 Td(n)Tj
0.08736 Tc
8.27996 0 Td(c)Tj
-0.03264 Tc
0.13632 Tw
7.55999 0 Td(e )Tj
0.06816 Tc
0 Tw

这可能会写“ Se qu ence ”。它实际上由七个文本子对象组成，并且没有我知道的库可以将流“解密”到其组件子对象中，更不用说为它们分配适当的属性（在PDF中从图形状态下降，而在任何层次结构中）诸如XML之类的结构可能与单个节点相关联，可能通过继承）。

更多：流可能包含非文本命令（例如行）。然后更改“文本”描边颜色实际上也会改变非文本对象的颜色。

库应该为您提供类似于直接读取文本流所获得的详细访问级别;所以通过图书馆这样做似乎不太可能。

由于这是文字处理工作，您可以考虑将PDF转换为OpenOffice（使用 PDF导入扩展名），通过{{3}进行操作的可能性然后，从OpenOffice本身将其导出回PDF。

但要注意OOo python：文档很粗略，界面有时不稳定。访问“文本”可能不实用（更重要的是，因为文本只能逐行使用）。

另一种可能性（再次，不是对于胆小的人）是自己解码PDF。首先通过pdftk以未压缩格式获取它。这将产生一个标题，后跟一个

形式的对象流

INDEX R obj
<<
COMMANDS OR DATA
>>
[ stream 
STREAM OF TEXT
endstream ]
endobj

您可以阅读流和每个对象：

如果命令或数据仅为/Length 长度，则可能是文本流。其他GOTO 3。
解析对象（见下文）。如果长度发生变化，请记得正确更新/Length。
注意当前输出文件的偏移量，将其保存在XREF [i]（“第i个对象的参考偏移量”）中，并将其保存到输出文件中。

在对象的末尾，您将找到一个XREF对象，其中每个对象都以其所在的文件偏移量表示。这些偏移量（10位数字）必须根据您在XREF中保存的新偏移量进行重写。此对象的开头应进入PDF文件末尾的 startxref 。

（要进行调试，首先要编写一个复制所有对象而不进行修改的例程。它必须重新计算外部参照和偏移量，并且仍然会产生与原始对象相同的PDF对象。）

这样获得的PDF可以由pdftk重新压缩以节省空间。

关于PDF文本对象解析，你基本上逐行检查文本输出命令（参见there be dragons 5.3.2）。大多数情况下，您将看到的命令为Tj：

9.95999 0 Td(Hello, world)Tj

和变色命令（参见＃4.5.1;最常用的是g和rg。）

1 g             # Sets color to black (1 in colorspace Gray)
1 0 0 rg        # Sets color to red (1,0,0 in colorspace RGB)

然后，您将跟踪我们正在使用的任何颜色，例如，可以在您选择的几个Tj命令之间包含每个RG命令 - 一个设置文本颜色的命令，一个恢复原来的。通过这种方式，您可以确保图形状态不会“溢出”到任何附近的物体，线条等;它会增加对象Length并使得生成的PDF稍慢（但不是很多。你甚至可能都没注意到。）

Answer 2

PDF structure非常复杂。另一种方法是导出文本，而不是只解析文本。

在每个页面上迭代并在其上使用extractText

如何迭代PDF页面中的所有对象并检查哪些是文本对象？

2 个答案: