用于间接对象提取的 pyPdf

Question

按照这个示例，我现在可以将所有元素列出到 pdf 文件中

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

，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。

与我有关的 python 脚本打印的部分是：

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

pdf 文件是这样的：

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

如何遵循 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，因此假设它位于第 1 页，pdf.pages[0]['/MYOBJECT'] 应该是您想要的元素。

您可以尝试单独打印它，或者在 python 提示符下使用 help 和 dir 来查看它，以了解有关如何获取所需字符串的更多信息

编辑：

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

以下函数提供了一种更通用的方法，通过递归查找有问题的键来解决此问题

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 指的是实际对象（它类似于链接或别名，以便当相同内容出现在多个位置时可以减小 PDF 的总大小）。 getObject 方法将为您提供实际的对象。

如果对象是文本对象，那么只需在对象上执行 str() 或 unicode() 即可获取其中的数据。

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

可以使用以下命令读取：

>>> 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，耶希亚的方法就很好。 我的猜测（查看 PDF）是它总是在同一个位置（第一页，在“MC0”属性中），因此查找字符串的更简单的方法是：

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