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
IT_Octopus19 小时前
【零基础入门 LLM 开发 · Day 13】:LangChain 的对话记忆——Message 对象版
人工智能·python·langchain
2603_9651481119 小时前
社区与学习资源:从入门到精通的API选品学习路径
数据库·人工智能·python·学习·数据挖掘
CCblandy21 小时前
令牌桶在 0.9 倍负载超发 19%、固定窗口边界放行 20 个:四种限流算法同构实测
后端·python·算法·性能优化·架构
Cc.Y21 小时前
Java零基础入门:深入Java核心:文件IO与序列化全解
java·开发语言·python
拿本唠嗑AI研究1 天前
本体工程实战指南:从建模到可维护的完整落地路径
java·人工智能·python·jena·ontology
Smoothcloud润云1 天前
PyTorch推理服务模型热切换与失败回滚实战:降低版本更新中断
服务器·人工智能·pytorch·python·深度学习·gpu
jsjzsl21 天前
递归自改进系统(RSI)的本质是自发对称破缺:智能爆炸有界—— AI研发切记盲目投入
人工智能·python·算法
2601_954811821 天前
机器视觉教学套件选型指南:五维技术参数对比与课程体系评估
python·数码相机
小马不起床1 天前
零基础玩转 FastAPI_05:后端课程模块
python·fastapi
小王2041 天前
Day 41:模型注意力机制 — SE / CBAM / ECA
python·深度学习·机器学习