使用Python中的正則表達式解析PDF文件

Question

我試圖使用Python的re模塊解析PDF文件中的一些對象元素。 我的目標是使用正則表達式解析每個PDF對象。 PDF對象示例如下：

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

當我使用"\\d+\\s\\d+\\sobj[\\s,\\S]*endobj"它不起作用（它保持解析util最后一個endobj被找到）。 如何修改正則表達式以便單獨解析每個對象（換句話說，從10 0 obj到endobj的部分）？

Answer 1

如果您只使用正則表達式，則很容易構建程序無法處理的PDF文件。 PDF詞典和列表可以包含其他對象。 正則表達式無法處理遞歸結構，至少不能處理Python re模塊。

pdf文件是對象和流的樹：

• 字典： << （名稱值）* >>
• 列表： [ （值）* ]
• 姓名： / （常規字符）*
• 字符串： ( （char）* )
• 十六進制字符串： < （hexchar）* >
• 數字：（ - ）？ （（數字）+ |（數字）+ . （數字）* | . （數字）+）
• 布爾： true false
• 參考文獻:(數字）+（空白）+（數字）+（空白）+ R

大多數地方都忽略了空格和注釋。 注釋以%開頭並一直運行到行尾。

間接對象​​指定為：

1 0 obj
(any object)
endobj

然后可以將此對象引用為1 0 R 間接詞典也可以附加一個流：

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

PDF文件看起來像這樣：

%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

對象樹的根是trailer對象。 每個對象都直接或間接從該字典中引用。

流中隱藏了更多復雜性，但這不會影響文件結構。

完整的規范可以在Adobe的網站上找到。

Answer 2

你需要使用*? 作為非貪婪的版本 - 請參閱此處的文檔 。

另外，請注意PDF格式非常復雜 - 尤其是當它開始在其中包含二進制流時 - 但是如果您知道您正在查看的PDF很簡單，那么這應該可行。

Answer 3

重復部分后面的問號應占用最少量的字符。 此外，逗號也不是必需的，因為\\S已將其考慮在內。

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

Answer 4

不完全是您確切問題的答案，但您可能希望查看python中現有的pdf解析庫，例如： pdfminer或pyPdf 。 （即使你最終沒有使用它們，你也可以看看它們是如何做到的）