python:PyPDF2 从PDF中提取目录

我发现 pypdf 和 pypdf2 的作者是同一人:Mathieu Fenniak

pip install pypdf2 ;

pypdf2-3.0.1-py3-none-any.whl (232 kB)

编写 pdf_read_dir.py 如下

python 复制代码
# -*- coding: utf-8 -*-
""" pypdf2==3.0.1 从PDF中提取目录 """
import os
import sys
from PyPDF2 import PdfReader

#每个书签的索引格式
#{'/Title': '书签名', '/Page': '指向的目标页数', '/Type': '类型'}

# 查找指定的字符出现次数
def find_char(str1, char):
    cs = 0
    for c in str1:
        if c == char:
            cs += 1
    return cs
    
directory_str = ''
def bookmark_listhandler(list):
    global directory_str
    for message in list:
        if isinstance(message, dict):
            title = message['/Title'].strip()
            if title.startswith("Chapter"): 
                directory_str += '\n' + title + '\n'
            elif title[0:2] in ("序章","前言") or title.startswith("序"):
                directory_str += '\n' + title + '\n'
            elif title.startswith("第") and title.split()[0][-1] =="章":
                directory_str += '\n' + title + '\n'
            elif title.startswith("第") and title.split()[0][-1] =="节":
                directory_str += '  ' + title + '\n'
            elif title.startswith("第"):
                directory_str += '\n' + title + '\n'
            elif title[0] in ('一','二','三','四','五','六','七','八','九','十'):
                directory_str += '    ' + title + '\n'
            elif title[0] in "1234567890":
                cs = find_char(title, '.')
                directory_str += '  '*cs + title + '\n'
            else:
                directory_str += '        ' + title + '\n'
        else:
            bookmark_listhandler(message)

# main()
if len(sys.argv) ==2:
    file1 = sys.argv[1]
else:
    print('usage: python pdf_read_dir.py file.pdf')
    sys.exit(1)

if not os.path.exists(file1):
    print(f"{file1} is not exists.")
    sys.exit(2)    

fn,ext = os.path.splitext(file1)
if ext.lower() != '.pdf':
    print("Please specify a valid pdf file")
    sys.exit(3)
  
with open(file1, 'rb') as f1:
    pdf = PdfReader(f1)
    # 检索文档中存在的文本大纲,返回的对象是一个嵌套的列表
    bookmark_listhandler(pdf.outline)

if len(directory_str) >0:
    fname = fn.split('\\')[-1]
    file2 = fn + '.txt'
    with open(file2, 'w', encoding='utf-8') as fp:
        fp.write(fname +'\n')
        fp.write(directory_str)
else:
    print("it no directory.")

运行 python pdf_read_dir.py your_ebook.pdf

生成 your_ebook.txt

由于算法优劣原因,生成的结果正确性始终比不过 java : pdfbox 读取 PDF文件内书签

相关推荐
qq_3729069340 分钟前
mysql用户无法访问存储过程权限提示_MySQL EXECUTE赋权方案
jvm·数据库·python
biubiubiu070641 分钟前
python解释器安装
python
qq_392690662 小时前
如何正确解析含 HTML 实体的 XML 字符串并渲染为 HTML 表格
jvm·数据库·python
qq_414256572 小时前
SQL如何处理时间序列缺失值_利用窗口函数进行前后值填充
jvm·数据库·python
优化控制仿真模型3 小时前
【26年考研408】考研计算机408统考历年真题及答案解析PDF电子版(2009-2026年)
经验分享·pdf
2301_803875613 小时前
CSS如何制作导航栏平滑移动_使用transition与left属性
jvm·数据库·python
茅盾体8 小时前
汽车零件订单自动同步系统方案
python
2401_883600258 小时前
golang如何理解weak pointer弱引用_golang weak pointer弱引用总结
jvm·数据库·python
FreakStudio8 小时前
和做工厂系统的印尼老哥,复刻了一套属于 MicroPython 的包管理系统
python·单片机·嵌入式·大学生·面向对象·并行计算·电子diy·电子计算机
2301_773553629 小时前
mysql如何评估SQL语句的索引开销_mysql性能追踪与分析
jvm·数据库·python