使用Python中的正则表达式解析PDF文件

时间:2010-10-12 13:22:30

标签: python regex parsing pdf

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)?

4 个答案:

答案 0 :(得分:8)

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。

答案 1 :(得分: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。

答案 2 :(得分:2)

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

答案 3 :(得分:2)

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:pdfminerpyPdf。 (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)