python - 从 PDF 中读取字体颜色信息

Question

我正在开发一款分析 PDF 文件并基于它们生成 HTML 的软件。已经有很多东西可以做到这一点，所以我知道这是可能的，出于商业原因，我必须自己写一个。

我已经设法从 PDF 中获取所有文本信息、位置和字体，但我很难读出文本的颜色。我目前正在使用 PDFMiner 来分析 PDF，但我开始认为我需要编写自己的 PDFReader，即便如此，我什至无法弄清楚文本的颜色信息保存在文档的哪个位置!我什至阅读了 PDF 规范，但找不到我需要的信息。

我已经搜索过谷歌，没有任何乐趣。

提前致谢!

Answer 1

文本和其他填充图形的颜色是使用内容流对象中的g、rg 或k 运算符之一设置的PDF 文件，如 PDF 引用手册中4.5.7 颜色运算符部分所述。

引用手册中的示例 G.3 简单图形示例 显示了这些运算符用于描边和填充某些形状(但不是文本)。

http://www.adobe.com/devnet/pdf/pdf_reference.html

当您自己解析 PDF 文件时，您可以从阅读预告片开始在包含文件偏移量的文件末尾交叉引用表。该表包含的文件偏移量PDF 文件中的每个对象。对象位于带有引用的树结构中到其他物体。其中一个对象将是内容流。这在 3.4 文件结构 部分中有描述和 PDF 引用手册中的 3.6 文档结构。

可以自己解析 PDF 文件，但这是相当多的工作。内容流可以被压缩，包含对其他对象的引用，包含评论等，您必须处理所有这些情况。

PDFMiner 软件已经在读取内容流。也许吧扩展 PDFMiner 来报告颜色会更容易也是文字？