我想使用 pypdf 遍历 pdf 页面中的所有对象。
我还想检查对象的类型是什么，是文本还是图形。
代码片段将是一个很大的帮助。
非常感谢
问问题
2896 次
2 回答
5
我认为 PyPDF 不是这项工作的正确工具。您需要解析页面本身（PyPDF 对其支持有限，请参阅API 文档），然后在更改某些对象后能够将结果保存在另一个 PDF 对象中。
您可以使用 解压缩 PDF pdftk，这将允许您使用pdfrw。
然而，从你写的，
我的最终目标是为每个文本对象着色不同。
“文本对象”可能是由（例如）不同段落中的不同行组成的相当复杂的对象。这可能是，并且您可能将其视为单个实体。在这个实体中可能已经有几个不同的文本颜色命令。
例如，您可能有一个带有此文本序列的流（这是用“内部”语言编写的）：
12.84 0 Td(S)Tj
0.08736 Tc
9 0 Td(e)Tj
0.06816 Tc
0.5 g
7.55999 0 Td(qu)Tj
0.08736 Tc
1 g
16.5599 0 Td(e)Tj
0.06816 Tc
7.55999 0 Td(n)Tj
0.08736 Tc
8.27996 0 Td(c)Tj
-0.03264 Tc
0.13632 Tw
7.55999 0 Td(e )Tj
0.06816 Tc
0 Tw
这可能会写成“序列”。它实际上由七个文本子对象组成，并且我所知道的没有库可以将流“解密”为其组件子对象，更不用说为它们分配适当的属性（在 PDF 中从图形状态下降，而在任何分层像 XML 这样的结构可能会与单个节点相关联，可能是通过继承）。
更多：流可能包括非文本命令（例如行）。然后改变“文本”的描边颜色实际上也会改变非文本对象的颜色。
库应该为您提供与直接读取文本流类似的详细访问级别；所以通过图书馆这样做似乎不太可能。
由于这是文字处理工作，您可能会考虑将 PDF 转换为 OpenOffice（使用PDF 导入扩展），通过OOo python对其进行操作，然后从 OpenOffice 本身将其导出回 PDF。
但是要小心，因为有龙：文档很粗略，界面有时不稳定。访问“文本”可能不切实际（更是如此，因为您只能逐行使用文本）。
另一种可能性（同样，不是胆小的人）是自己解码 PDF。首先通过pdftk. 这将产生一个标题，后跟表单中的对象流
INDEX R obj
<<
COMMANDS OR DATA
>>
[ stream
STREAM OF TEXT
endstream ]
endobj
您可以读取流，并且对于每个对象：
- 如果 COMMANDS OR DATA 只是
/Length长度，它可能是一个文本流。否则转到 3。 - 解析对象（见下文）。如果长度发生变化，请记住
/Length适当更新。 - 记下当前输出文件的偏移量，将其保存在 XREF[i]（“第 i 个对象的参考偏移量”）中，并将其保存到输出文件中。
在对象的末尾，您会找到一个 XREF 对象，其中每个对象都用它所在的文件偏移量表示。这些偏移量（10 位数字）必须根据您保存在 XREF 中的新偏移量进行重写。此对象的开头应进入PDF 文件末尾的startxref 。
（要调试，首先编写一个复制所有对象而不进行修改的例程。它必须重新计算外部参照和偏移量，并且仍然产生与原始对象相同的 PDF 对象）。
这样获得的PDF可以重新压缩pdftk以节省空间。
关于 PDF 文本对象解析，您基本上可以逐行检查以查找文本输出命令（参见PDF 参考5.3.2）。您将看到的大多数命令将是Tj：
9.95999 0 Td(Hello, world)Tj
和颜色更改命令（参见#4.5.1；最常用的是 g 和 rg。）
1 g # Sets color to black (1 in colorspace Gray)
1 0 0 rg # Sets color to red (1,0,0 in colorspace RGB)
然后，您将跟踪我们使用的任何颜色，例如，可以在您选择Tj的几个命令之间包含每个命令RG- 一个设置文本颜色，一个恢复原始颜色。这样，您将确保图形状态不会“溢出”到任何附近的对象、线条等；它会增加对象Length并使生成的 PDF 变慢一点（但不是很慢。你甚至可能没有注意到）。
于 2012-10-20T15:47:21.750 回答
0
PDF结构非常复杂。如果您只想要文本，另一种方法是导出文本而不是解析它。
在每个页面上迭代并在其上使用extractText
于 2012-10-20T08:19:29.523 回答