Question

我正在尝试使用Python的re模块解析PDF文件中的一些对象元素。我的目标是使用正则表达式解析每个PDF对象。 PDF对象示例如下：

1 0 obj
<<
    /Type /Catalog
    /Pages 2 0 R
>>
endobj
2 0 obj
<<
    /Type /Pages
    /Kids [ 3 0 R ]
    /Count 1
>>
endobj
...

当我使用"\d+\s\d+\sobj[\s,\S]*endobj"时，它不起作用（它一直在解析util last endobj）。如何修改正则表达式以便单独解析每个对象（换句话说，从10 0 obj到endobj的部分）？

Answer 1

如果您只使用正则表达式，则很容易构建程序无法处理的PDF文件。 PDF词典和列表可以包含其他对象。正则表达式无法处理递归结构，至少不能处理Python re模块。

pdf文件是对象和流的树：

词典：<<（名称值）* >>
列表：[（值）* ]
姓名：/（常规字符）*
字符串：(（字符）* )
十六进制字符串：<（hexchar）* >
数字：（-）？（（数字）+ |（数字）+ .（数字）* | .（数字）+）
布尔人：true | false
参考文献:(数字）+（空白）+（数字）+（空白）+ R

大多数地方都会忽略空白和评论。评论从%开始，一直运行到行尾。

间接对象指定为：

1 0 obj
(any object)
endobj

然后可以将此对象引用为1 0 R。间接词典也可以附加一个流：

1 0 obj
<<
/Length 22
>>
stream
(22 bytes of raw data)
endstream
endobj

PDF文件如下所示：

%PDF-1.4
%ÿÿÿÿ
1 0 obj
<< /Author (MizardX) >>
endobj
2 0 obj
<<
/Type /Catalog
% more required keys
>>
endobj
%lots of more indirect objects, one after another
trailer
<<
/Info 1 0 R
/Root 2 0 R
% ... more required keys
>>
xref
0 3
0000000000 65535 f
0000000015 00000 n
0000000054 00000 n
startxref
225
%%EOF

对象树的根是trailer对象。每个对象都直接或间接地从该字典中引用。

流中隐藏了更多复杂性，但这不会影响文件结构。

完整规范可在Adobe's website找到。

Answer 2

您需要使用*?作为非贪婪版本 - 请参阅documentation here。

另外，请注意PDF格式非常复杂 - 特别是当它开始在其中包含二进制流时 - 但如果您知道您正在查看的PDF很简单，那么这应该有效。

Answer 3

重复部分后的问号应占用最少量的字符。此外，逗号也不是必需的，因为\S已将其考虑在内。

\d+\s\d+\sobj[\s\S]*?endobj

Answer 4

不完全是您确切问题的答案，但您可能希望查看python中现有的pdf解析库，例如：pdfminer或pyPdf。（即使你最终没有使用它们，你也可以看看它们是如何做到的）

使用Python中的正则表达式解析PDF文件

4 个答案: