使用 python 给 PDF 添加目录书签

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）
  • 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

1.6. 参考

posted @ 2022-02-02 18:53  Wreng  阅读(1367)  评论(0)  编辑  收藏  举报