python - 用于间接对象提取的 pyPdf

Question

按照这个例子，我可以将所有元素列成一个pdf文件

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

现在，我需要从 pdf 文件中提取一个非标准对象。

我的对象是一个名为 MYOBJECT 的对象，它是一个字符串。

我关心的python脚本打印的一 block 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，因此假设它在第 1 页，pdf.pages[0]['/MYOBJECT'] 应该是该元素你要。

您可以尝试单独打印它，或者在 python 提示符下使用 help 和 dir 戳它以获取有关如何获取所需字符串的更多信息

编辑:

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

下面的函数提供了一种更通用的方法来解决这个问题，通过递归查找有问题的键

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()