Question

按照这个例子，我可以将所有元素列入pdf文件

import pyPdf
pdf = pyPdf.PdfFileReader(open("pdffile.pdf"))
list(pdf.pages) # Process all the objects.
print pdf.resolvedObjects

现在，我需要从pdf文件中提取非标准对象。

我的对象是名为MYOBJECT的对象，它是一个字符串。

关注我的python脚本打印的文章是：

{'/MYOBJECT': IndirectObject(584, 0)}

pdf文件是：

558 0 obj
<</Contents 583 0 R/CropBox[0 0 595.22 842]/MediaBox[0 0 595.22 842]/Parent 29 0 R/Resources
  <</ColorSpace <</CS0 563 0 R>>
    /ExtGState <</GS0 568 0 R>>
    /Font<</TT0 559 0 R/TT1 560 0 R/TT2 561 0 R/TT3 562 0 R>>
    /ProcSet[/PDF/Text/ImageC]
    /Properties<</MC0<</MYOBJECT 584 0 R>>/MC1<</SubKey 582 0 R>> >>
    /XObject<</Im0 578 0 R>>>>
  /Rotate 0/StructParents 0/Type/Page>>
endobj
...
...
...
584 0 obj
<</Length 8>>stream

1_22_4_1     --->>>>  this is the string I need to extract from the object

endstream
endobj

如何引用584值来引用我的字符串（当然在pyPdf下）??

Answer 1

pdf.pages中的每个元素都是一个字典，所以假设它在第1页，pdf.pages[0]['/MYOBJECT']应该是你想要的元素。

您可以尝试单独打印或在python提示符中使用help和dir进行打印，以获取有关如何获取所需字符串的更多信息

编辑：

收到pdf的副本后，我在pdf.resolvedObjects[0][558]['/Resources']['/Properties']['/MC0']['/MYOBJECT']找到了该对象，并且可以通过getData（）

检索该值

以下函数提供了一种更通用的方法来通过递归查找有问题的密钥来解决这个问题

import types
import pyPdf
pdf = pyPdf.PdfFileReader(open('file.pdf'))
pages = list(pdf.pages)

def findInDict(needle,haystack):
    for key in haystack.keys():
        try:
            value = haystack[key]
        except:
            continue
        if key == needle:
            return value
        if type(value) == types.DictType or isinstance(value,pyPdf.generic.DictionaryObject):  
            x = findInDict(needle,value)
            if x is not None:
                return x

answer = findInDict('/MYOBJECT',pdf.resolvedObjects).getData()

Answer 2

IndirectObject是指一个实际的对象（它就像一个链接或别名，这样当相同的内容出现在多个地方时，可以减少PDF的总大小）。 getObject方法将为您提供实际对象。

如果对象是文本对象，那么只需在对象上执行str（）或unicode（）就可以获得其中的数据。

或者，pyPdf将对象存储在resolvedObjects属性中。例如，包含此对象的PDF：

13 0 obj
<< /Type /Catalog /Pages 3 0 R >>
endobj

可以用以下方式阅读：

>>> import pyPdf
>>> pdf = pyPdf.PdfFileReader(open("pdffile.pdf"))
>>> pages = list(pdf.pages)
>>> pdf.resolvedObjects
{0: {2: {'/Parent': IndirectObject(3, 0), '/Contents': IndirectObject(4, 0), '/Type': '/Page', '/Resources': IndirectObject(6, 0), '/MediaBox': [0, 0, 595.2756, 841.8898]}, 3: {'/Kids': [IndirectObject(2, 0)], '/Count': 1, '/Type': '/Pages', '/MediaBox': [0, 0, 595.2756, 841.8898]}, 4: {'/Filter': '/FlateDecode'}, 5: 147, 6: {'/ColorSpace': {'/Cs1': IndirectObject(7, 0)}, '/ExtGState': {'/Gs2': IndirectObject(9, 0), '/Gs1': IndirectObject(10, 0)}, '/ProcSet': ['/PDF', '/Text'], '/Font': {'/F1.0': IndirectObject(8, 0)}}, 13: {'/Type': '/Catalog', '/Pages': IndirectObject(3, 0)}}}
>>> pdf.resolvedObjects[0][13]
{'/Type': '/Catalog', '/Pages': IndirectObject(3, 0)}

Answer 3

如果到处寻找物体，耶和华的方法是好的。我的猜测（看PDF）是它总是在同一个地方（第一页，在'MC0'属性中），所以找到字符串的一个更简单的方法是：

import pyPdf
pdf = pyPdf.PdfFileReader(open("file.pdf"))
pdf.getPage(0)['/Resources']['/Properties']['/MC0']['/MYOBJECT'].getData()

用于IndirectObject提取的pyPdf

3 个答案: