本文主要是介绍Python 实现给 pdf 文件自动识别标题并增添大纲,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
一、背景:
客户方提供过来一个开放平台的pdf文档,文档里有几十个接口,没有大纲和目录可以定位到具体内容,了解整体的API功能,观看体验极度差劲,所以想使用Python代码自动解析pdf文档,给文档增添大纲内容,便于观看和理解。
二、实现思路:
1、可行性调研
- pdf文档是文本格式的,而非扫描图像,所以可以拿到具体的文本内容。
- 内容格式整体比较整齐,标题有特定的格式可以识别。
2、技术细节
- 使用pyPDF2和pdfplumber类库来实现pdf的解析。
- 根据章节标题的格式,编写正则表达式进行匹配
- 记录识别结果到csv文件中,方便比对和删除多余的标题内容。
- 使用pyPDF2来添加书签,生成新的PDF大纲。
三、代码
1、详细python代码
import csvimport pdfplumber
import re
from PyPDF2 import PdfReader, PdfWriter# TODO PDF文件路径
pdf_path = 'C:\\Users\\admin\\Desktop\\use_book.pdf' # 更改为您的PDF文件路径
output_pdf_path = '.\output_use_book_with_bookmarks.pdf' # 输出文件的路径
# 保存目录信息的CSV文件路径
csv_path = 'titles.csv'# 检测是否为标题的函数
# 现在只匹配包含至少两个点的数字序列
def is_title(line):# TODO 正则表达式匹配类似 "3.8.1.2.3 业务接口" 的格式# 确保后面紧跟着的是文字而不是数字或符号pattern = r'^\d+(\.\d+)+\s+[^\d\W]+.*'return re.match(pattern, line) is not None# 提取标题的函数
def extract_titles(pdf_path):titles = []with pdfplumber.open(pdf_path) as pdf:for page_number, page in enumerate(pdf.pages):text = page.extract_text()if text:for line in text.split('\n'):if is_title(line):titles.append((line.strip(), page_number)) # PDF页码从0开始return titles# 将标题保存到CSV文件
def save_titles_to_csv(titles, csv_path):with open(csv_path, 'w', newline='', encoding='utf-8') as file:writer = csv.writer(file)writer.writerow(['Title', 'Page Number'])for title in titles:writer.writerow(title)# 从CSV文件读取标题
def read_titles_from_csv(csv_path):titles = []with open(csv_path, 'r', encoding='utf-8') as file:reader = csv.reader(file)next(reader) # 跳过标题行for row in reader:titles.append((row[0], int(row[1]) - 1)) # 将页码转换为从0开始的索引return titles# 检查是否已经有保存的目录信息
try:titles = read_titles_from_csv(csv_path)
except FileNotFoundError:# 如果没有找到文件,则提取并保存目录信息titles = extract_titles(pdf_path)save_titles_to_csv(titles, csv_path)# 打印目录信息
for title in titles:print(f"Title: {title[0]}, Page: {title[1]}")# 添加大纲的函数
def add_bookmarks_to_pdf(input_pdf_path, output_pdf_path, titles):reader = PdfReader(input_pdf_path)writer = PdfWriter()for page in reader.pages:writer.add_page(page)for title, page_number in titles:writer.add_outline_item(title, page_number)with open(output_pdf_path, 'wb') as output_file:writer.write(output_file)if __name__ == '__main__':# 调用函数titles = read_titles_from_csv(csv_path)add_bookmarks_to_pdf(pdf_path, output_pdf_path, titles)
2、涉及依赖版本库
python = 3.10 (anaconda3)
pdfplumber = 0.10.3
PyPDF2 = 3.0.1
3、运行效果
- csv 文件示例 ( title.csv )
Title,Page Number
2.1 运行硬件环境,5
2.2 运行软件环境,5
3.1 门户应用,6
3.1.1 门户配置,6
3.1.2 常用应用,6
3.1.3 快捷导航,7
3.1.4 下载,9
3.1.4.1 插件助手,9
3.1.4.2 客户端,10
3.1.4.3 插件,10
3.1.5 用户登录管理,10
- pdf 示例
四、补充
理论上如果标题格式有层级关系,是可以在添加书签的时候,调整每个书签的层级,达到更好的阅读体验。
# 解析标题层级的函数
def parse_title_level(title):# 假设标题格式为 "1.1.1 标题"level = title.count('.') # 层级由点的数量决定return level# 添加大纲的函数 (修改版)
def add_bookmarks_to_pdf(input_pdf_path, output_pdf_path, titles):reader = PdfReader(input_pdf_path)writer = PdfWriter()for page in reader.pages:writer.add_page(page)bookmarks = [None] * 10 # 重点在这段,假设最大层级为10 for title, page_number, level in titles:parent = bookmarks[level-1] if level > 0 else None # 确定父书签bookmark = writer.add_outline_item(title, page_number, parent)bookmarks[level] = bookmark # 更新当前层级的书签with open(output_pdf_path, 'wb') as output_file:writer.write(output_file)
以上代码未进行调试,仅做参考 (* ^ ▽ ^ *) 。
这篇关于Python 实现给 pdf 文件自动识别标题并增添大纲的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!