php - 用于捕获最小组的正则表达式

Question

我正在尝试为 PDF Page 对象捕获一个 ID，如下所示:

4 0 obj
<<
/Type /Page /
...
>>
endobj

ID 是这个'ID 0 obj'。问题是我的文件有多个对象，因此以下模式从第一个对象声明捕获到 Page 对象的第一个实例:

preg_match_all("/([0-9]+) 0 obj.+?\/Page[ \n]*?\//s", $input_lines, output_array);

如果您想尝试一下，这是我的文件示例，您会看到包含单词“Page”的多个对象:

%PDF-1.3
%¦¦¦¦

1 0 obj
<<
/Type /Catalog /AcroForm << /Fields [12 0 R 13 0 R] /NeedAppearances false  /SigFlags 3 /Version /1.7 /Pages 3 0 R /Names << >> /ViewerPreferences << /Direction /L2R >> /PageLayout /SinglePage /PageMode /UseNone /OpenAction [0 0 R /FitH null] /DR << /Font << /F1 14 0 R >> >> /DA (/F1 0 Tf 0 g) /Q 0 >> /Perms << /DocMDP 11 0 R >>
/Outlines 2 0 R
/Pages 3 0 R
>>
endobj

2 0 obj
<<
/Type /Outlines
/Count 0
>>
endobj

3 0 obj
<<
/Type /Pages
/Count 2
/Kids [ 4 0 R 6 0 R ]
>>
endobj

4 0 obj
<<
/Type /Page
/Parent 3 0 R
/Resources <<
/Font <<
/F1 9 0 R
>>
/ProcSet 8 0 R
>>
/MediaBox [0 0 612.0000 792.0000]
/Contents 5 0 R
>>
endobj

5 0 obj
<< /Length 1074 >>
stream
2 J
BT
0 0 0 rg
/F1 0027 Tf
57.3750 722.2800 Td
( A Simple PDF File ) Tj
ET
BT
/F1 0010 Tf

我应该改变什么让它不贪心？

编辑:澄清

• 我忘了说我需要捕获所有的Page 对象ID。
• 正如一些人告诉我使用更具体的正则表达式，我不得不说这不是对象构建方式的正式示例，而这个也是可能的。您可以看到空格不是必须的，并且在 Page '/Type/Page' 标签之前可以有多个标签。

示例:

4 0 obj
<< /UselessTag/Type/Page/
...
>>
endobj

• 有名为 Pages、PageLayout、SiglePage 的标签，我不想捕获它们。

Answer 1

你可以使用

'~^(\d+) 0 obj(?:(?!^\d+ 0 obj$).)*?\/Type\s*\/Page\s.*?endobj$~sm'

参见 regex demo

详细信息:

• ^ - 行 anchor 的开始(因为 m 修饰符使 ^ 匹配行的开始而不是整个字符串)
• (\d+) 0 obj - 1 个或多个数字(捕获到第 1 组)，然后是空格、0、空格和一个 obj 子串
• (?:(?!^\d+ 0 obj$).)*? - tempered greedy token匹配任何不以 ^\d+ 0 obj$ 模式开始的字符 (.)，尽可能少的次数
• \/Type\s*\/Page\s - /Type，0+ 个空格(将 \s 替换为 \h 只匹配水平空格)，/Page 然后是一个空格
• .*? - 在
第一次出现之前尽可能少的任何 0+ 个字符
• endobj - endobj 后跟...
• $ - 行尾位置。