Разбирая объекты из PDF, объекты с байтовыми потоками по какой-то причине игнорируются? - PullRequest
Новая
       23

Разбирая объекты из PDF, объекты с байтовыми потоками по какой-то причине игнорируются?

0 голосов
/ 09 октября 2018

Мое текущее задание включает в себя удаление всех объектов из файла PDF, а затем использование проанализированных объектов.Но есть одна проблема, которую я заметил, когда некоторые объекты потока полностью пропускаются моим кодом.

Я полностью сбит с толку и надеюсь, что кто-то может помочь указать, что здесь происходит не так.

Вот основной код синтаксического анализа. 

    void parseRawPDFFile() {
        //Transform the bytes obtained from the file into a byte character sequence. This byte character sequence
        //object is what allows us to use it in regex.
        ByteCharSequence byteCharSequence = new ByteCharSequence(bytesFromFile.toByteArray());
        byteCharSequence.getStringFromData();

        Pattern pattern = Pattern.compile(SINGLE_OBJECT_REGEX);
        Matcher matcher = pattern.matcher(byteCharSequence);

        //While we have a match (apparently only one match exists at a time) keep looping over the list.
        //When a match is found, get the starting and ending indices and manually cut these out char by char
        //and assemble them into a new "ByteArrayOutputStream".
        int counterOfDoom = 1;
        while (matcher.find() ) {
            for (int i = 0; i < matcher.groupCount(); i++) {
                ByteArrayOutputStream cutOutArray = cutOutByteArrayOutputStreamFromOriginal(matcher.start(), matcher.end());
                System.out.println("----------------------------------------------------");
                System.out.println(cutOutArray);
                //At this point we have cut out the object and can now send it for processing.
               createPDFObject(cutOutArray);

                System.out.println(counterOfDoom);
                System.out.println("----------------------------------------------------");
                counterOfDoom++;
            }
        }
    }

Вот код для ByteCharSequence (Кредиты для ядра этого кода здесь: http://blog.sarah -happy.ca / 2013/01 / java-регулярно-выражение-на-byte-array.html ) 

public class ByteCharSequence implements CharSequence {

    private final byte[] data;
    private final int length;
    private final int offset;

    public ByteCharSequence(byte[] data) {
        this(data, 0, data.length);
    }

    public ByteCharSequence(byte[] data, int offset, int length) {
        this.data = data;
        this.offset = offset;
        this.length = length;
    }

    @Override
    public int length() {
        return this.length;
    }

    @Override
    public char charAt(int index) {
        return (char) (data[offset + index] & 0xff);
    }

    @Override
    public CharSequence subSequence(int start, int end) {
        return new ByteCharSequence(data, offset + start, end - start);
    }

    /**
     * Get the string from the ByteCharSequence data.
     * @return
     */
    public String getStringFromData() {
        //Load it into the method I know works to convert it to a string... Optimized? Probably not at all.
        //But it works...
        ByteArrayOutputStream byteArrayOutputStream = new ByteArrayOutputStream();
        for (byte individualByte: data
             ) {
            byteArrayOutputStream.write(individualByte);
        }

        return byteArrayOutputStream.toString();
    }
}

Данные PDF, которые яв настоящее время обрабатываю: 

10 0 obj
<</Filter/FlateDecode/Length 1040>>stream
(Bunch of bytes)
endstream
endobj


12 0 obj
<</Filter/FlateDecode/Length 2574/N 3>>stream
(Bunch of bytes)
endstream
endobj

Некоторая информация, которую я пытался изучить.

1: Из того, что я понимаю, не должно быть никаких ограниченийна сколько можно вписать в структуры данных.Так что размер не должен быть проблемой ????

1 Ответ

0 голосов
/ 09 октября 2018

Добавьте флаг DOTALL к вызову компиляции шаблона, чтобы ваш шаблон совпадал с символами новой строки =)

...