从PDF中提取蟒流

Question

我怎样才能提取该流的一部分（一个名为BLABLABLA）从包含它的PDF文件？

<</Contents 583 0 R/CropBox[0 0 595.22 842]/MediaBox[0 0 595.22 842]/Parent 29 0 /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<</BLABLABLA 584 0 R>>/MC1<</SubKey 582 0 R>>>>/XObject<</Im0 578 0 R>>>>/Rotate 0/StructParents 0/Type/Page>> 

或者，在其他的世界里，我怎样才能从pdf流中提取一个子键？

我想用一些Python的库（如pyPdf或ReportLab的），但即使是一些C/C++的lib应该很适合我。

任何人都可以帮助我吗？

Answer 1

IIUC，在PDF流仅仅是一个二进制数据序列。我想你想要提取一个对象的一部分。你想要一个标准的对象，如图像或文字？如果有真实的例子，给你示例代码会容易得多。

这可能会帮助你开始：

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

Answer 2

我没有这个使用自己，但也许the gfx module in swftool可以帮助你。

Answer 3

谷歌代码有一个名为pdf miner蟒文本提取工具。我不知道它是否会做你想要的，但它可能值得一看。