12

この例に従って、すべての要素を pdf ファイルにリストできます。

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

ここで、pdf ファイルから非標準オブジェクトを抽出する必要があります。

私のオブジェクトは MYOBJECT という名前のオブジェクトで、文字列です。

私に関係するpythonスクリプトによって印刷された部分は次のとおりです。

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

pdfファイルは次のとおりです。

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

584文字列を参照するために値をたどるにはどうすればよいですか(もちろん pyPdf の下で)??

4

3 に答える 3

10

の各要素pdf.pagesは辞書であるため、1 ページにあると仮定すると、pdf.pages[0]['/MYOBJECT']必要な要素になるはずです。

必要な文字列を取得する方法の詳細については、それを個別に印刷するかhelp、 pythonプロンプトで突っ込むことができますdir

編集：

PDFのコピーを受け取った後、私はオブジェクトを見つけましたpdf.resolvedObjects[0][558]['/Resources']['/Properties']['/MC0']['/MYOBJECT'].getData（）を介して値を取得できます

次の関数は、問題のキーを再帰的に探すことにより、これを解決するためのより一般的な方法を提供します

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()
于 2009-01-14T02:46:14.337 に答える
6

IndirectObject は実際のオブジェクトを参照します (同じコンテンツが複数の場所に表示される場合に PDF の合計サイズを縮小できるようにするためのリンクまたはエイリアスのようなものです)。getObject メソッドは、実際のオブジェクトを提供します。

オブジェクトがテキスト オブジェクトの場合、オブジェクトに対して str() または unicode() を実行するだけで、その内部のデータを取得できます。

または、pyPdf はオブジェクトを resolveObjects 属性に格納します。たとえば、次のオブジェクトを含む PDF:

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

これで読むことができます：

>>> 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)}
于 2009-01-14T09:32:55.327 に答える
2

オブジェクトをどこでも探す場合、ジェヒアの方法は適切です。私の推測では (PDF を見て)、常に同じ場所 (「MC0」プロパティの最初のページ) にあるため、文字列を見つけるより簡単な方法は次のようになります。

import pyPdf
pdf = pyPdf.PdfFileReader(open("file.pdf"))
pdf.getPage(0)['/Resources']['/Properties']['/MC0']['/MYOBJECT'].getData()
于 2009-01-15T00:25:07.880 に答える