删除最接近另一个图案的图案之间的线条答案

【问题标题】：Remove lines between patterns nearest another pattern删除最接近另一个图案的图案之间的线条
【发布时间】：2018-12-26 23:14:01
【问题描述】：

我正在尝试从 PDF 文件中删除某些对象。所有的对象都是这样的：

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 中是否有办法查找包含/Form 的行，然后删除上面最近的obj 和下面的stream 之间的所有内容，以及stream 和@987654331 @在它下面，这样最终的结果是这样的：

40 0 obj 
stream
endstream 
endobj

【问题讨论】：

标签： awk sed

【解决方案1】：

给定：

$ 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

你可以使用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

【讨论】：

我在输出中什么也没得到。也许这是一个perl版本问题？我有v5.22.1。
@SU3 - 不。这在同一版本下对我有用。这可能与 PDF 中的特殊字符有关，这些字符没有翻译成您在 SO 上发布的输入。
实际上，我使用您发布的文本作为输入进行了检查。
@SU3 - 我没有发布它:) 我注意到这会删除所有不属于您的特定删除模式的行。（echo "hello\n" | 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' 不打印）
好吧，echo "hello\n" | ... 是不匹配的，所以没有打印出来。我会告诉您尝试使用 Regex101 上的链接并根据需要进行更改。

【解决方案2】：

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

这个正则表达式有很多可能适得其反的方式（关键问题是“obj”或“endstream”出现在中游或那些字段或“/Form”缺失）。你需要一个完整的脚本来保证生产质量，在这种情况下，你肯定需要“展示你的工作”来获得帮助。此外，对于实际的 PDF，您可能需要在 (?=endstream) 之前删除或更改 \n。我不熟悉它使用的行尾字符。

作为一个整体，jist 会查找obj*/Form*endstream，然后破坏所有不在环视(?[etc]) 中的内容，然后手动读取stream 行。

【讨论】：

【解决方案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/：定位字符串'obj'、'stream'和'endstream'
如果上述字符串存在于该行中，打印它并启用标志d
如果d 已启用，请清除缓冲区str
最后打印str

【讨论】：

【解决方案4】：

这可能对你有用（GNU sed）：

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

收集obj 和endobj 之间的线并删除stream 两侧的部分。

【讨论】：

【解决方案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

【讨论】：