pyPdf用于IndirectObject提取

Question

按照此示例，我可以将所有元素列出到pdf文件中

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。

与我有关的python脚本打印的部分是：

{'/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

我如何跟随584值以引用我的字符串（当然在pyPdf下）？

Answer 1

中的每个元素pdf.pages都是字典，因此假设它在第1页上，pdf.pages[0]['/MYOBJECT']应该是您想要的元素。

您可以尝试单独打印或戳在它help和dir在提示更多关于如何得到你想要的字符串蟒蛇

编辑：

收到pdf副本后，我在找到了对象，pdf.resolvedObjects[0][558]['/Resources']['/Properties']['/MC0']['/MYOBJECT']可以通过getData（）检索值

以下函数通过递归查找有问题的密钥提供了一种更通用的解决方案

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()