有时下载到扫描版的 PDF 是不带书签目录的,这样阅读起来很不方便。下面通过 python 实现一个半自动化添加书签目录的脚本。
1.1. 安装 PyPDF2
pip install pypdf2
未避免后续运行程序报错,python
版本必须是 3.7 之前的(3.6)。
1.2. 提取 PDF 的目录信息并保存在 txt
这一步是比较麻烦的,需要手动实现。一般可以使用一些 OCR 文字识别工具,或者将目录页转化为 word 来操作。然后整理为如下的 txt 格式:
- 每一行包含三项:级别
level
、 标题title
、 页数page
,用空格隔开 - 使用“
.
”来判断书签的级别,例如:- “第1章” 包含 0 个 “
.
” 是一级标题 - “1.1” 包含 1 个 “
.
” 是二级标题 - “1.1.1” 包含 2 个 “
.
” 是三级标题 - ……(以此类推)
- “第1章” 包含 0 个 “
- 请不要有多余的空行
这里是我整理后的 txt:
第1章 绪论 1
1.1 本书的目的 1
1.2 信息融合的主要挑战 5
1.3 为什么需要随机集或FISST 5
1.3.1 多目标滤波的复杂性 6
1.3.2 超越启发式 7
1.3.3 单目标与多目标统计学的区别 7
1.3.4 常规数据与模糊数据的区别 7
1.3.5 形式化贝叶斯建模 8
1.3.6 模糊信息建模 8
1.3.7 多源多目标形式化建模 9
1.3. 编程实现
点击查看代码
import PyPDF2
import sys
class PdfDirGenerator:
def __init__(self, pdf_path:str, txt_path:str, offset:int, out_path:str=None, levelmark:str='.'):
self.pdf_path = pdf_path # pdf路径
self.txt_path = txt_path # 包含pdf目录信息的txt
self.offset = offset # 目录页数偏移量
self.out_path = out_path # 输出路径
self.levelmark = levelmark # 用于判断书签级别的标志符
self.dir_parent = [None]
def getLevelId(self, level):
"""计算书签的级数(级数的标志符号为“.”)
一级目录: 0 个“.”,例如: 第1章、附录A等
二级目录: 1个“.”,例如: 1.1、A.1
三级目录: 2个“.”,例如: 2.1.3
"""
mark_num = 0
for c in level:
if c == self.levelmark:
mark_num += 1
return mark_num + 1
def run(self):
print("--------------------------- Adding the bookmark ---------------------------")
print(" * PDF Source: %s" % self.pdf_path)
print(" * TXT Source: %s" % self.txt_path)
print(" * Offset: %d" % self.offset)
print("---------------------------------------------------------------------------")
with open(self.txt_path, 'r', encoding='utf-8') as txt:
pdf_reader = PyPDF2.PdfFileReader(self.pdf_path)
pdf_writer = PyPDF2.PdfFileWriter()
pdf_writer.cloneDocumentFromReader(pdf_reader)
# BUG: ValueError: {’/Type’: ‘/Outlines’, ‘/Count’: 0} is not in list
# 修改代码 ${PYTHON_PATH}/site-packages/PyPDF2/pdf.py): getOutlineRoot 函数
# 参考:https://www.codetd.com/en/article/11823498
lines = txt.readlines()
num_all_lines = len(lines)
for i, line in enumerate(lines):
pline = line.split(' ')
level = pline[0]; title = pline[1]; page = int(pline[2]) + self.offset
# 1. 计算当前的 level 的级数 id
# 2. 当前书签的父结点存放在 dir_parent[id-1] 上
# 3. 更新/插入 dir_parent[id]
id = self.getLevelId(level)
if id >= len(self.dir_parent):
self.dir_parent.append(None)
self.dir_parent[id] = pdf_writer.addBookmark(level+' '+title, page-1, self.dir_parent[id-1])
print(" * [%d/%d finished] level: %s(%d), title: %s, page: %d" % (i+1, num_all_lines, level, id, title, page))
if self.out_path is None:
self.out_path = self.pdf_path[:-4] + '(书签).pdf'
with open(self.out_path, 'wb') as out_pdf:
pdf_writer.write(out_pdf)
print("---------------------------------------------------------------------------")
print(" * Save: %s" % self.out_path)
print("---------------------------------- Done! ----------------------------------")
if __name__ == '__main__':
input_num = len(sys.argv)
assert(input_num > 3)
opath = None
if input_num > 4:
opath = sys.argv[4]
mark='.'
if input_num > 5:
mark = sys.argv[5]
pdg = PdfDirGenerator(
pdf_path=sys.argv[1],
txt_path=sys.argv[2],
offset=int(sys.argv[3]), # 一般是目录结束页的页数
out_path=opath,
levelmark=mark
)
pdg.run()
上述代码保存在 PdfDirGenerator.py
中,其中有3个参数和2个可选参数:
- 第1个参数:待插入书签的 PDF 的路径
- 第2个参数:包含目录信息的 txt 的路径
- 第3个参数:正文内容的偏移页数(一般填目录结束页的页数)
- 第4个参数(可选):输出路径
- 第5个参数(可选):级数标志,默认为“.”
例如,在命令行中输入:
python .\PdfDirGenerator.py .\多源多目标统计信息融合Mahler.pdf .\dir.txt 27
运行效果:
1.4. 可能遇到的错误
这里主要参考 https://www.codetd.com/en/article/11823498
1.4.1. 问题一:ValueError: {’/Type’: ‘/Outlines’, ‘/Count’: 0} is not in list
如果 PDF 之前被其他软件修改过,可能会有如下错误:
Traceback (most recent call last):
File ".\PDFbookmark.py", line 70, in <module>
print(addBookmark(args[1], args[2], int(args[3])))
File ".\PDFbookmark.py", line 55, in addBookmark
new_bookmark = writer.addBookmark(title, page + page_offset, parent=parent)
File "C:\Anaconda3\lib\site-packages\PyPDF2\pdf.py", line 732, in addBookmark
outlineRef = self.getOutlineRoot()
File "C:\Anaconda3\lib\site-packages\PyPDF2\pdf.py", line 607, in getOutlineRoot
idnum = self._objects.index(outline) + 1
ValueError: {
'/Type': '/Outlines', '/Count': 0} is not in list
解决方法:修改 pdf.py
的 getOutlineRoot()
函数(pdf.py
的路径为 ${PYTHON_PATH}/site-packages/PyPDF2/pdf.py)
def getOutlineRoot(self):
if '/Outlines' in self._root_object:
outline = self._root_object['/Outlines']
try:
idnum = self._objects.index(outline) + 1
except ValueError:
if not isinstance(outline, TreeObject):
def _walk(node):
node.__class__ = TreeObject
for child in node.children():
_walk(child)
_walk(outline)
outlineRef = self._addObject(outline)
self._addObject(outlineRef.getObject())
self._root_object[NameObject('/Outlines')] = outlineRef
idnum = self._objects.index(outline) + 1
outlineRef = IndirectObject(idnum, 0, self)
assert outlineRef.getObject() == outline
else:
outline = TreeObject()
outline.update({ })
outlineRef = self._addObject(outline)
self._root_object[NameObject('/Outlines')] = outlineRef
return outline
1.4.2. 问题二:RuntimeError: generator raised StopIteration
如果在你做了上面的修改后,在运行脚本时报错:untimeError: generator raised StopIteration
,请检查使用 Python 版本是不是 3.7或者更高版本(从版本v3.7之后,Python终止迭代过程发生了变化,细节可以参考PEP 479)。为避免报错,请使用低于3.7版本的 python,例如 3.6 版本。
1.5. 代码下载
-
这里用的 PDF 是 多源多目标统计信息融合 by Mahler (z-lib.org).pdf ,有需要的同学可点击 阿里云盘 下载。
1.6. 参考
- https://www.codetd.com/en/article/11823498
- https://www.cnblogs.com/1blog/p/15186521.html
- https://www.jianshu.com/p/1aac3ae4d620?tdsourcetag=s_pcqq_aiomsg