批量自動化生成PDF目錄標簽

 所需軟件：

1. FreePic2Pdf（網上很容易找到）

2. python3

3. 天若OCR

官網：http://tianruoocr.cn/

搜狗OCR配置：https://tianruoocr.cn/interface/Txt_sougou.html

免費版調用的是百度的OCR，對於這種目錄的識別效果不好，經過嘗試發現只有搜狗的效果是最好的，所以如果有需要還是購買專業版，然后配置搜狗的OCR

 

實現方法：

1. 提取書簽內容文本

 

 

許多英文書籍PDF的文字是可以直接復制粘貼的，這種情況比較好處理，直接復制出來，暫時保存到文本中。

如果為掃描版PDF，則可以用上面提供的天若OCR進行識別，然后提取文字內容，識別率挺高，不算太麻煩。

最后得到目錄內容：

 

如果是用OCR軟件識別的內容，有時候會有一些多余的符號，影響下面python腳本的運行，最常見的是：

1）目錄出現換行，導致該行最后一個字符不是數字，腳本無法正確運行，會報錯；

2）行末的數字前出現一些多余符號，也會影響腳本運行，一個個手動修改太麻煩，可以在VScode里用vim批量操作。如：

 上面輸入的替換命令為：

%s/…/ /g

用vim里:模式下的替換命令，上面表示把…全部替換成空格。注意VScode里的vim插件可以在替換命令里粘貼內容，但是我在terminal的vim里似乎不行，有些字符奇怪字符有時候不知道怎么打，可以直接粘貼過去。

%s/(待替換內容)/(替換內容)/g

 

 

2. 在同一工作目錄下運行如下python腳本

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
'''
@Author: Yin Weijie
@Date: 2018.5.25
@Description:
替換頁碼
@Revised Date: 2019.3.7
@Description:
在次級目錄前加tab
'''

fin = open("aa.txt", "r")
fout = open("bb.txt", "w")

for each_line in fin:
    list = each_line.split()
    for i in range(len(list) - 1): #倒數第一個元素是數字，先不放
        if (list[i] == '.'):
            continue
        # 這里章數默認不超過兩位數
        if ((len(list[i]) > 1 and list[i][1] == '.') or (len(list[i]) > 2 and list[i][2] == '.')):
            fout.write('\t')
        fout.write(list[i])
        fout.write(' ')
        # print(list[i])
    fout.write('\t')
    num = int(list[-1]) + 0 #單獨處理倒數第一個數字
    fout.write(str(num))

    fout.write("\n")

fin.close()
fout.close()

 

 

得到文件bb.txt的內容：

 

這里實際上就是做一個文本替換，為后面FreePic2Pdf使用作准備。因為FreePic2Pdf只能識別固定格式的書簽內容，主要有如下幾方面需要修改：

1）頁碼是PDF中的絕對頁碼，通常需要加減一個差值，但是這個PDF的排版比較特殊，書中的頁碼內容和PDF絕對頁碼內容一致，否則上面python代碼中

num = int(list[-1]) + 0 #單獨處理倒數第一個數字

這一行加的數字應該是PDF絕對頁碼和書籍頁碼的差值。

2）頁碼數字和前面的文字之間應該是\tab，而不是空格。

3）每行行首也可以加\tab，表示次級目錄。也可以加多個\tab增加更多目錄層級，這里只做了一個次級目錄。

 

3. 用FreePic2Pdf批量插入標簽

 

會在該PDF文件所在目錄生成一個新的目錄，包含如下文件：

 

打開上面的txt文件，把之前生成的bb.txt中的內容貼進去，保存。然后再回到FreePic2Pdf軟件：

 

經過上面操作，就能成功添加標簽了。