目录
- 提取目录
- 删除目录
- 制作目录
- 效果图
目前有两个问题，一般的目录文本格式有问题，需要用正则化方式，生成比较好的目录文件，比如csv格式，txt格式
另外，生成的目录，层级只有一级
提取目录
import fitz # PyMuPDF
import pandas as pd# 打开PDF文件
pdf_path = '力学概论.pdf' # 请确保替换为正确的文件路径
document = fitz.open(pdf_path)# 初始化一个列表来存储目录信息
toc_list = []# 提取目录信息的函数
def extract_toc(toc, level=0):for item in toc:# 确保目录项至少包含标题if len(item) > 1 and item[1]:title = item[1]# 检查标题的首字符if title[0].isdigit():title_level = 2else:title_level = 1# 确保页码是数字类型page = item[2] if len(item) > 2 and isinstance(item[2], int) else Noneif page is not None:# 添加条目到列表toc_list.append({'Title': title,'Page': page,'Level': level + title_level})# 如果有子条目，递归提取if len(item) > 3 and item[3]: # 子条目在索引3extract_toc(item[3], level)# 获取PDF的目录
toc = document.get_toc(simple=False)# 提取目录信息
extract_toc(toc)# 关闭PDF文件
document.close()# 将列表转换为DataFrame
toc_df = pd.DataFrame(toc_list)# 将DataFrame输出到CSV文件
toc_df.to_csv('output.csv', index=False, encoding='utf-8')删除目录
import PyPDF2def remove_bookmarks(input_pdf_path, output_pdf_path):# 打开原始的PDF文件with open(input_pdf_path, 'rb') as file:reader = PyPDF2.PdfFileReader(file)writer = PyPDF2.PdfFileWriter()# 将每一页复制到新的PDF文件中，不包括书签for page_num in range(reader.numPages):page = reader.getPage(page_num)writer.addPage(page)# 将没有书签的PDF写入新文件with open(output_pdf_path, 'wb') as output_file:writer.write(output_file)# 使用函数删除书签
remove_bookmarks('力学概论.pdf', '力学概论-无目录.pdf')
print("Book marks removed successfully.")制作目录
import pypdf# 输入和输出文件名
input_pdf_filename = '力学概论-无目录.pdf'
output_pdf_filename = 'file_with_toc.pdf'
csv_filename = 'output.csv'# 创建一个PdfWriter实例
writer = pypdf.PdfWriter()# 读取原始PDF文件
with open(input_pdf_filename, "rb") as input_pdf:reader = pypdf.PdfReader(input_pdf)writer.append_pages_from_reader(reader)# 读取CSV文件并创建书签
bookmarks = [] # 用于维护书签层级结构
toc_entries = [] # 用于存储书签信息# 读取CSV文件内容
with open(csv_filename, 'r', encoding='GBK') as csv_file:next(csv_file) # 忽略第一行for line in csv_file:title, page_number,hierarchy= line.strip().split(',')page_number = int(page_number)-1# 根据父子层级关系确定层级数值level = hierarchy.count('.') + 1toc_entries.append((level, page_number, title))# 按CSV文件中的顺序，一行行添加书签并确保层级正确
for entry in toc_entries:level, page_number, title = entry# 根据层级确定父书签parent_bookmark = Noneif level > 1:# 从当前层级的上一层级开始查找父书签for i in range(level - 1, 0, -1):try:parent_bookmark = next(b for b in bookmarks if b.level == i)breakexcept StopIteration:continueelse:parent_bookmark = None# 添加书签bookmark = writer.add_outline_item(title=title, page_number=page_number, parent=parent_bookmark)bookmark.level = levelbookmarks.append(bookmark) # 添加到书签列表# 写入新的PDF文件
with open(output_pdf_filename, "wb") as output_pdf:writer.write(output_pdf)# 完成后关闭
writer.close()效果图
原书目录
删除目录后的图没放
添加目录：
