Question

我正在编写一个脚本，用于读取pdf文件的创建和修改日期。我在Python中使用pyPdf包

我有以下代码

from pyPdf import PdfFileWriter, PdfFileReader

input1 = PdfFileReader(file('myfile','rb'))

input1.input1.getDocumentInfo()

此代码返回

{'/Producer': IndirectObject(185, 0), '/CreationDate': IndirectObject(186, 0), '/ModDate': IndirectObject(186, 0)}

我不确定如何从这些IndirectObject中提取信息，任何帮助都将不胜感激！

Answer 1

我真的不太了解pyPdf，但是pdfrw有一些类似的功能，而且（恕我直言 - 我是作者）一个更简单的界面。 pdfrw将PDF文件中的结构映射到Python结构中。这是一个示例会话：

>>> from pdfrw import PdfReader
>>> x = pdfrw.PdfReader('some_random.pdf')

什么是x？它是PDF文件的预告片字典，它被映射到（子类）Python字典：

>>> list(x)
['/Size', '/Info', '/Root']

要访问此词典中的项目，您可以使用字典样式查找，但由于所有标准Adobe名称都以斜杠和字母开头，因此为方便起见，pdfrw还支持属性查找。它基本上是字典和列表。信息只是另一本字典：

>>> x.Info
{'/ModDate': '(D:20130802052610)',
 '/Producer': '(ImageMagick 6.6.0-1 2010-03-04 Q8 http://www.imagemagick.org)',
 '/Title': '(US4441207.pdf)',
 '/CreationDate': '(D:20130802052610)'}

所以你可以用同样的方式取出Producer：

>>> x.Info.Producer
'(ImageMagick 6.6.0-1 2010-03-04 Q8 http://www.imagemagick.org)'

Producer的值是一个PDF字符串 - 这就是括号的含义。您可以使用decode()方法剥离它们：

>>> x.Info.Producer.decode()
'ImageMagick 6.6.0-1 2010-03-04 Q8 http://www.imagemagick.org'

与CreationDate相同：

>>> x.Info.CreationDate.decode()
'D:20130802052610'

pdfrw文档并不是很好，但是在github上有很多例子，有些例子在SO上。

pyPdf从IndirectObject中提取信息

1 个答案: