vscode 打包的文件去哪了_PDF文件中消失的对象号去哪了？

看了几篇关于PDF解析的文章，就动手操练的同学非常容易受打击。找来一份PDF，使用sublime或notepad++打开一看，心情无比沮丧。其实，现在PDF很少有明文的了，是被压缩过的，所以打开都是乱码。在文件中，你可以看到很多/Filter /FlateDecode，那就是说明乱码部分内容是被zlib压缩过的。

FlateDecode, decompresses data encoded using the zlib/deflate com- pression method, reproducing the original text or binary data.

301 0 obj <>streamxÚT4ÜÝ·%ºè-jÑûˆDôÞkDÍ`0ŒfFï½]ô(!ˆè%zïÑKD¢F}“|í}ÿ÷ÖzoÍZ¿¹÷ìsö¹ûžs.;‹®¿œ-ܬ‡¡øB’

更打击你的可能是，找到的PDF对象号竟然是不连续的，怎么都找不到1 0 R在哪。突然发现xref也找不到了，但是PDF并不是损坏的文件。PDF阅读器，是怎么找到PDF的第一页的呢？

某PDF的解析结构

实际上，这是PDF1.5引入的object stream对象，可以把多个对象打包在一起压缩。在ObjStm中，开始部分就是Object Number和Offset序列，其中偏移量是zlib解析后的位置。

2 0 obj <>stream1 0 3 31 4 164 5 320 6 456 7 621 10 756 11 798 18 839 20 88124 924 26 966 8 1008 31 1182 33 1281 34 1324 35 1367 37 1410 38 1453 39 1496

你现在应该知道怎么定位 1 0 R了吧，它就在PDF文件里面。接下来，我分享一小段python代码，可以把FlateDecode压缩的内容解析出来。

# -*- coding: utf-8 -*-import zlibimport reimport binascii# 把PDF放在同一个文件夹下，此处填入文件名pdf = open("你的PDF.pdf", "rb").read()#pattern = re.compile(b'.*?FlateDecode.*?stream(.*?)endstream', re.S)pattern = re.compile('.*?FlateDecode.*?stream(.*?)endstream', re.S)iterator = re.finditer(pattern, pdf)lastpos = 0for s in iterator:  print(pdf[s.span(0)[0]:s.span(1)[0]])  lastpos = s.span(1)[1]  try:    text=zlib.decompress(s.group(1).strip()).decode('UTF-8')    print(text)  except:    text=zlib.decompress(s.group(1).strip())    print(text)    passprint(pdf[lastpos:].decode('UTF-8'))

好吧，欢迎关注点赞，下次我们探讨如何实现调整PDF的页面顺序。