Question

我正在尝试从PDF文件中删除某些对象。所有对象看起来像这样：

40 0 obj 
<<
/PieceInfo 
/Subtype /Form
/Resources 
<<
/Font 
<<
/Fm1 35 0 R
>>
>>
/Type /XObject
/BBox [0 -22.5 131.05 0]
/Length 601
/Matrix [1 0 0 1 0 0]
>>
stream
  . . .
  A bunch of compressed gibberish here
  . . .
endstream 
endobj

我发现在不破坏PDF文档的情况下可以删除obj，stream和endstream之间的内容。

在sed或awk中是否可以找到包含/Form的行，然后删除最近的obj和下面的stream之间的所有内容，以及下面的stream和endstream，这样最终结果看起来像这样：

40 0 obj 
stream
endstream 
endobj

Answer 1

给出：

$ echo "$pdf"
40 0 obj 
<<
/PieceInfo 
/Subtype /Form
/Resources 
<<
/Font 
<<
/Fm1 35 0 R
>>
>>
/Type /XObject
/BBox [0 -22.5 131.05 0]
/Length 601
/Matrix [1 0 0 1 0 0]
>>
stream
  . . .
  A bunch of compressed gibberish here
  . . .
endstream 
endobj

您可以使用perl：

$ echo "$pdf" | perl -0777 -lne 'print "$1$2$3\n" if /(^.*(?<=\bobj)\s*\R)[\s\S]*?\/Form[\s\S]*?^(stream\s*^)[\s\S]*?^(endstream\s+endobj)/m'
40 0 obj 
stream
endstream 
endobj

Demo and explanation of regex

Answer 2

perl -0777 -pe 's/(?<=obj)[\s\S]+?\/Form[\s\S]+?\n(?=endstream)/\nstream\n/g' pdf

此正则表达式可以通过多种方式适得其反（关键问题是出现在中间的“ obj”或“ endstream”或缺少这些字段或“ / Form”）。您将需要一个完整的脚本来获得某种生产质量，在这种情况下，您肯定需要“展示您的作品”以获得帮助。另外，对于实际的PDF，您可能需要在\n之前删除或更改(?=endstream)。我不熟悉它使用的行尾字符。

第一个理由是，jist会寻找obj*/Form*endstream，然后掩盖所有不在环视(?[etc])中的内容，然后手动读取stream行。

Answer 3

awk也可以完成这项工作，

awk '/[^end]obj/||/[end]*stream/{print;if(d==1){s=""}d=1;next}{s=s $0}END{print s}' pdf

简要说明，

/[^end]obj/||/[end]*stream/：找到字符串'obj'，'stream'和'endstream'
如果该行中存在上述字符串，则将其打印并启用标志d
如果已经启用d，请清除缓冲区str
最后打印str

Answer 4

这可能对您有用（GNU sed）：

sed -r '/\<obj\>/{n;:a;/\<endobj\>/!{N;ba};s/.*\<(stream)\>.*\<(endobj)\>/\1\n\2/}' file

聚集obj和endobj之间的线，并删除stream两侧的部分。

Answer 5

$ cat tst.awk
$NF == "endobj" {
    print (obj ~ "/Form" ? "stream" ORS "endstream" : obj)
    obj = ""
    inObj = 0
}
inObj  { obj = (obj == "" ? "" : obj ORS) $0 }
!inObj { print }
$NF == "obj" { inObj = 1 }

$ awk -f tst.awk file
40 0 obj
stream
endstream
endobj

删除最接近另一个图案的图案之间的线

5 个答案: