Python 实现给 pdf 文件自动识别标题并增添大纲

2024-01-03 15:04

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
    在这里插入图片描述

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!



http://www.chinasem.cn/article/566089

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

【专题】2024飞行汽车技术全景报告合集PDF分享(附原数据表)

原文链接: https://tecdat.cn/?p=37628 6月16日,小鹏汇天旅航者X2在北京大兴国际机场临空经济区完成首飞,这也是小鹏汇天的产品在京津冀地区进行的首次飞行。小鹏汇天方面还表示,公司准备量产,并计划今年四季度开启预售小鹏汇天分体式飞行汽车,探索分体式飞行汽车城际通勤。阅读原文,获取专题报告合集全文,解锁文末271份飞行汽车相关行业研究报告。 据悉,业内人士对飞行汽车行业

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

让树莓派智能语音助手实现定时提醒功能

最初的时候是想直接在rasa 的chatbot上实现,因为rasa本身是带有remindschedule模块的。不过经过一番折腾后,忽然发现,chatbot上实现的定时,语音助手不一定会有响应。因为,我目前语音助手的代码设置了长时间无应答会结束对话,这样一来,chatbot定时提醒的触发就不会被语音助手获悉。那怎么让语音助手也具有定时提醒功能呢? 我最后选择的方法是用threading.Time

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

Android实现任意版本设置默认的锁屏壁纸和桌面壁纸(两张壁纸可不一致)

客户有些需求需要设置默认壁纸和锁屏壁纸  在默认情况下 这两个壁纸是相同的  如果需要默认的锁屏壁纸和桌面壁纸不一样 需要额外修改 Android13实现 替换默认桌面壁纸: 将图片文件替换frameworks/base/core/res/res/drawable-nodpi/default_wallpaper.*  (注意不能是bmp格式) 替换默认锁屏壁纸: 将图片资源放入vendo

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

C#实战|大乐透选号器[6]:实现实时显示已选择的红蓝球数量

哈喽,你好啊,我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记,这是第6篇; 接下来实现实时显示当前选中红球数量,蓝球数量; 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时,在对应的位置显示实时已选择的红球、蓝球的数量; 02 标签名称 分别设置Label标签名称为:lblRedCount、lblBlueCount