使用Python中的正则表达式解析PDF文件

Question

我试图使用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"它时不起作用(它保持解析util last endobj被发现).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:

• 字典:( <<名称值)*>>
• 列表:( [价值)*]
• 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

大多数地方都忽略了空格和注释.注释以行开头%并一直运行到行尾.

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文件看起来像这样:

%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.

完整的规范可以在Adobe的网站上找到.