用于捕获最小组的正则表达式

Question

我正在尝试捕获PDF 页面对象的ID，如下所示：

4 0 obj
<<
/Type /Page /
...
>>
endobj

ID是' ID 0 obj'。 问题是我的文件有多个对象，因此以下模式从第一个对象声明捕获到Page对象的第一个实例：

preg_match_all("/([0-9]+) 0 obj.+?\/Page[ \n]*?\//s", $input_lines, output_array);

以下是我的文件示例，如果您想尝试一下，您会看到包含单词“Page”的多个对象：

%PDF-1.3
%¦¦¦¦

1 0 obj
<<
/Type /Catalog /AcroForm << /Fields [12 0 R 13 0 R] /NeedAppearances false  /SigFlags 3 /Version /1.7 /Pages 3 0 R /Names << >> /ViewerPreferences << /Direction /L2R >> /PageLayout /SinglePage /PageMode /UseNone /OpenAction [0 0 R /FitH null] /DR << /Font << /F1 14 0 R >> >> /DA (/F1 0 Tf 0 g) /Q 0 >> /Perms << /DocMDP 11 0 R >>
/Outlines 2 0 R
/Pages 3 0 R
>>
endobj

2 0 obj
<<
/Type /Outlines
/Count 0
>>
endobj

3 0 obj
<<
/Type /Pages
/Count 2
/Kids [ 4 0 R 6 0 R ]
>>
endobj

4 0 obj
<<
/Type /Page
/Parent 3 0 R
/Resources <<
/Font <<
/F1 9 0 R
>>
/ProcSet 8 0 R
>>
/MediaBox [0 0 612.0000 792.0000]
/Contents 5 0 R
>>
endobj

5 0 obj
<< /Length 1074 >>
stream
2 J
BT
0 0 0 rg
/F1 0027 Tf
57.3750 722.2800 Td
( A Simple PDF File ) Tj
ET
BT
/F1 0010 Tf

我应该改变什么才不让它变得贪婪？

编辑：澄清

• 我忘了提到我需要捕获所有的Page对象ID。
• 有些人告诉我使用更具体的正则表达式，我不得不说这不是一个关于如何构建对象的正式例子，这也是可能的。 您可以看到空格不是修饰的，并且在页面'/类型/页面'标记之前可以有多个标记。

示例：

4 0 obj
<< /UselessTag/Type/Page/
...
>>
endobj

• 有一些名为Pages ， PageLayout ， SiglePage的标签，我不想捕捉它们。

Answer 1

你可以用

'~^(\d+) 0 obj(?:(?!^\d+ 0 obj$).)*?\/Type\s*\/Page\s.*?endobj$~sm'

请参阅正则表达式演示

细节 ：

• ^ - 行锚的开始（因为m修饰符使得^匹配行的开始而不是整个字符串）
• (\\d+) 0 obj - 1个或更多个数字（捕获到组1中），然后是空格， 0 ，空格和obj子串
• (?:(?!^\\d+ 0 obj$).)*? - 一个驯化的贪婪令牌 ，匹配任何不启动^\\d+ 0 obj$模式的char（ . ），尽可能少
• \\/Type\\s*\\/Page\\s - /Type ，0 + whitespaces（将\\s替换为\\h以仅匹配水平空格）， /Page然后是空格
• .*? - 任何0+字符尽可能少到第一次出现
• endobj - endobj随后......
• $ - 行结束位置。

Answer 2

你可以在特定的量词中加入一个不合格的问号：

例：

 \(.*\)

火柴：

测试（测试）测试（测试）测试（测试）测试

例：

 \(.*?\)

火柴：

测试（测试）测试（测试）测试（测试）测试

Answer 3

尝试更具体的正则表达式，因此它不匹配不需要的文本部分。

preg_match_all("/([0-9]+?) 0 obj\n\<\<\n\/Type\s\/Page[ \n]*?\//s", $input_lines, output_array);

证明： https ： //regex101.com/r/HjyQpS/1

Answer 4

这应该工作：

(\d+) 0 obj[^>]+/Page$

Regex101演示

Answer 5

我不会使用PDF上的正则表达式。 有几个条件，这种方法将失败。

1. 页面对象位于对象流内（因此打包，很可能是通过Deflate算法）（PDF版本1.5及以上版本允许）
2. PDF文档中的增量更新可能导致同一页面上的双击
3. 标记/页面不在您要匹配的字典中，而是在间接对象内（从未见过，但理论上可能）。 你有：

 5 0 obj << /Type 6 0 R ....>> endobj 6 0 obj /Page endobj 

注意：您也不能指望每个页面都按照pdf文档中的顺序编写，就像您在查看器中看到的那样。

但是如果你真的必须这样做，我首先要匹配pdf对象

/（[0-9] +）0 obj（。+？）endobj /

并将搜索第二个匹配的字符串

//类型\\ S * \\页[\\ S>] /

最后>的可选匹配很重要，因为您还需要能够匹配“/ Type / Page >>”，其中/ Type / Page是pdf字典中的最后一个条目。

Answer 6

使用此正则表达式：

/\d+\s0\sobj.+endobj/smU

请注意，修饰符U使匹配不贪婪。 请参阅此处的匹配示例： https ： //www.tinywebhut.com/regex/8