本文主要是介绍python：PyPDF2 从PDF文件中提取目录，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！
我发现 pypdf 和 pypdf2 的作者是同一人：Mathieu Fenniak
pip install pypdf2 ;
pypdf2-3.0.1-py3-none-any.whl (232 kB)
编写 pdf_read_dir.py 如下
# -*- coding: utf-8 -*-
""" pypdf2==3.0.1 从PDF中提取目录 """
import os
import sys
from PyPDF2 import PdfReader#每个书签的索引格式
#{'/Title': '书签名', '/Page': '指向的目标页数', '/Type': '类型'}# 查找指定的字符出现次数
def find_char(str1, char):cs = 0for c in str1:if c == char:cs += 1return csdirectory_str = ''
def bookmark_listhandler(list):global directory_strfor message in list:if isinstance(message, dict):title = message['/Title'].strip()if title.startswith("Chapter"): directory_str += '\n' + title + '\n'elif title[0:2] in ("序章","前言") or title.startswith("序"):directory_str += '\n' + title + '\n'elif title.startswith("第") and title.split()[0][-1] =="章":directory_str += '\n' + title + '\n'elif title.startswith("第") and title.split()[0][-1] =="节":directory_str += ' ' + title + '\n'elif title.startswith("第"):directory_str += '\n' + title + '\n'elif title[0] in ('一','二','三','四','五','六','七','八','九','十'):directory_str += ' ' + title + '\n'elif title[0] in "1234567890":cs = find_char(title, '.')directory_str += ' '*cs + title + '\n'else:directory_str += ' ' + title + '\n'else:bookmark_listhandler(message)# main()
if len(sys.argv) ==2:file1 = sys.argv[1]
else:print('usage: python pdf_read_dir.py file.pdf')sys.exit(1)if not os.path.exists(file1):print(f"{file1} is not exists.")sys.exit(2) fn,ext = os.path.splitext(file1)
if ext.lower() != '.pdf':print("Please specify a valid pdf file")sys.exit(3)with open(file1, 'rb') as f1:pdf = PdfReader(f1)# 检索文档中存在的文本大纲,返回的对象是一个嵌套的列表bookmark_listhandler(pdf.outline)if len(directory_str) >0:fname = fn.split('\\')[-1]file2 = fn + '.txt'with open(file2, 'w', encoding='utf-8') as fp:fp.write(fname +'\n')fp.write(directory_str)
else:print("it no directory.")
运行 python pdf_read_dir.py your_ebook.pdf
生成 your_ebook.txt
由于算法优劣原因，生成的结果正确性始终比不过 java : pdfbox 读取 PDF文件内书签
这篇关于python：PyPDF2 从PDF文件中提取目录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！
