有時下載到掃描版的 PDF 是不帶書簽目錄的，這樣閱讀起來很不方便。下面通過 python 實現一個半自動化添加書簽目錄的腳本。
1.1. 安裝 PyPDF2
pip install pypdf2
未避免后續運行程序報錯，python 版本必須是 3.7 之前的（3.6）。
1.2. 提取 PDF 的目錄信息並保存在 txt
這一步是比較麻煩的，需要手動實現。一般可以使用一些 OCR 文字識別工具，或者將目錄頁轉化為 word 來操作。然后整理為如下的 txt 格式：
- 每一行包含三項：級別
level、 標題title、 頁數page，用空格隔開 - 使用“
.”來判斷書簽的級別，例如：- “第1章” 包含 0 個 “
.” 是一級標題 - “1.1” 包含 1 個 “
.” 是二級標題 - “1.1.1” 包含 2 個 “
.” 是三級標題 - ……（以此類推）
- “第1章” 包含 0 個 “
- 請不要有多余的空行
這里是我整理后的 txt:
第1章 緒論 1
1.1 本書的目的 1
1.2 信息融合的主要挑戰 5
1.3 為什么需要隨機集或FISST 5
1.3.1 多目標濾波的復雜性 6
1.3.2 超越啟發式 7
1.3.3 單目標與多目標統計學的區別 7
1.3.4 常規數據與模糊數據的區別 7
1.3.5 形式化貝葉斯建模 8
1.3.6 模糊信息建模 8
1.3.7 多源多目標形式化建模 9
1.3. 編程實現
點擊查看代碼
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路徑
self.txt_path = txt_path # 包含pdf目錄信息的txt
self.offset = offset # 目錄頁數偏移量
self.out_path = out_path # 輸出路徑
self.levelmark = levelmark # 用於判斷書簽級別的標志符
self.dir_parent = [None]
def getLevelId(self, level):
"""計算書簽的級數（級數的標志符號為“.”）
一級目錄: 0 個“.”，例如: 第1章、附錄A等
二級目錄: 1個“.”，例如: 1.1、A.1
三級目錄: 2個“.”，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
# 修改代碼 ${PYTHON_PATH}/site-packages/PyPDF2/pdf.py): getOutlineRoot 函數
# 參考：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. 計算當前的 level 的級數 id
# 2. 當前書簽的父結點存放在 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] + '(書簽).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]), # 一般是目錄結束頁的頁數
out_path=opath,
levelmark=mark
)
pdg.run()
上述代碼保存在 PdfDirGenerator.py中，其中有3個參數和2個可選參數：
- 第1個參數：待插入書簽的 PDF 的路徑
- 第2個參數：包含目錄信息的 txt 的路徑
- 第3個參數：正文內容的偏移頁數（一般填目錄結束頁的頁數）
- 第4個參數（可選）：輸出路徑
- 第5個參數（可選）：級數標志，默認為“.”
例如，在命令行中輸入：
python .\PdfDirGenerator.py .\多源多目標統計信息融合Mahler.pdf .\dir.txt 27
運行效果：
1.4. 可能遇到的錯誤
這里主要參考 https://www.codetd.com/en/article/11823498
1.4.1. 問題一：ValueError: {’/Type’: ‘/Outlines’, ‘/Count’: 0} is not in list
如果 PDF 之前被其他軟件修改過，可能會有如下錯誤：
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
解決方法：修改 pdf.py 的 getOutlineRoot() 函數（pdf.py 的路徑為 ${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. 問題二：RuntimeError: generator raised StopIteration
如果在你做了上面的修改后，在運行腳本時報錯：untimeError: generator raised StopIteration，請檢查使用 Python 版本是不是 3.7或者更高版本(從版本v3.7之后，Python終止迭代過程發生了變化，細節可以參考PEP 479)。為避免報錯，請使用低於3.7版本的 python，例如 3.6 版本。
1.5. 代碼下載
-
這里用的 PDF 是 多源多目標統計信息融合 by Mahler (z-lib.org).pdf ，有需要的同學可點擊 阿里雲盤 下載。