pyPdf per l'estrazione di IndirectObject

Question

Seguendo questo esempio, posso elencare tutti gli elementi in un file pdf

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

ora, devo estrarre un oggetto non standard dal file pdf.

Il mio oggetto è quello chiamato MYOBJECT ed è una stringa.

Il pezzo stampato dalla sceneggiatura di Python che mi riguarda è:

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

Il file pdf è questo:

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

Come posso seguire il valore 584 per fare riferimento alla mia stringa (sotto pyPdf ovviamente) ??

Answer 1

ogni elemento in pdf.pages è un dizionario, quindi supponendo che sia nella pagina 1, pdf.pages [0] ['/ MYOBJECT'] dovrebbe essere l'elemento tu vuoi.

Puoi provare a stamparlo singolarmente o cercarlo con help e dir in un prompt di Python per ulteriori informazioni su come ottenere la stringa desiderata

Modifica:

dopo aver ricevuto una copia del pdf, ho trovato l'oggetto in pdf.resolvedObjects [0] [558] ['/ Resources'] ['/ Properties'] ['/ MC0'] ['/ MYOBJECT '] e il valore può essere recuperato tramite getData ()

la seguente funzione offre un modo più generico di risolverlo cercando ricorsivamente la chiave in questione

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()

Answer 2

Un oggetto IndirectObject si riferisce a un oggetto reale (è come un collegamento o un alias in modo che la dimensione totale del PDF possa essere ridotta quando lo stesso contenuto appare in più punti). Il metodo getObject ti darà l'oggetto reale.

Se l'oggetto è un oggetto di testo, fare semplicemente str () o unicode () sull'oggetto dovrebbe farti ottenere i dati al suo interno.

In alternativa, pyPdf memorizza gli oggetti nell'attributo resolvedObjects. Ad esempio, un PDF che contiene questo oggetto:

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

Può essere letto con questo:

>>> 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)}

Answer 3

Il metodo di Jehiah è buono se si cerca dappertutto l'oggetto. La mia ipotesi (guardando il PDF) è che si trova sempre nello stesso posto (la prima pagina, nella proprietà 'MC0'), e quindi un metodo molto più semplice per trovare la stringa sarebbe:

import pyPdf
pdf = pyPdf.PdfFileReader(open("file.pdf"))
pdf.getPage(0)['/Resources']['/Properties']['/MC0']['/MYOBJECT'].getData()