在Python中使用正则表达式解析PDF文件

Question

我试图用Python的re-module从PDF文件中解析一些对象元素。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"时，它不起作用（它继续解析util last endobj is found）。如何修改正则表达式以便分别解析每个对象（换句话说，从1 0 obj到endobj的部分）？在

Answer 1

重复部分后的问号应使用最少的字符数。也不需要逗号，因为\S已经考虑了它。在

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

Answer 2

您需要使用*?作为非贪婪版本-请参见documentation here。在

另外，请注意，PDF格式非常复杂，尤其是当它开始包含二进制流时，但是如果您知道您要查看的PDF文件很简单，那么这应该是可行的。在

Answer 3

如果只使用regex，则很容易构造程序无法处理的PDF文件。PDF字典和列表可以包含其他对象。Regex不能处理递归结构，至少不能处理Python的re-module。在

pdf文件是对象和流的树：

• 词典：<<（名称值）*>>
• 列表：[（值）*]
• 名称：/（常规字符）*
• 字符串：(（字符）*)
• 十六进制字符串：<（hexchar）*>
• 号码：（-）？（（数字）+|（数字）+.（数字）*| .（数字）+）
• 布尔值：true| false
• 参考文献：（数字）+（空白）+（数字）+（空白）+R

空格和注释在大多数地方被忽略。 注释以%开头，一直运行到行尾。在

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。间接字典也可以附加流：

^{pr2}$

PDF文件如下所示：

%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地从这个字典中引用。在

流中隐藏了更多的复杂性，但这不会影响文件结构。在

完整的规范可以在Adobe's website找到。在