PyPDF2：提取目录/大纲及其页码答案

【问题标题】：PyPDF2 : extract table of contents/outlines and their page numberPyPDF2：提取目录/大纲及其页码
【发布时间】：2021-09-25 04:05:55
【问题描述】：

我正在尝试使用 Python (PyPDF2) 从 PDF 及其页码中提取目录/大纲，我知道 reader.outlines 但它没有返回正确的页码。

PDF 示例：https://www.annualreports.com/HostedData/AnnualReportArchive/l/NASDAQ_LOGM_2018.pdf

reader.outlines 的输出是：

[{'/Title': '2018 Highlights', '/Page': IndirectObject(5, 0), '/Type': '/Fit'},
{'/Title': 'Letter to Stockholders', '/Page': IndirectObject(6, 0), '/Type': '/Fit'}, 
...
{'/Title': 'Part I', '/Page': IndirectObject(10, 0), '/Type': '/Fit'}, 
[{'/Title': 'Item 1. Business', '/Page': IndirectObject(10, 0), '/Type': '/Fit'}, 
{'/Title': 'Item 1A. Risk Factors', '/Page': IndirectObject(19, 0), '/Type': '/Fit'}
...

例如，PART I 不应该从第 10 页开始，我是否遗漏了什么？有人有替代品吗？

我尝试过 PyMupdf、Tabula 和 getDestinationPageNumber 方法，但没有成功。

提前谢谢你。

【问题讨论】：

@KJ 我刚刚使用 PdfFileReader（来自 PyPDF2）阅读了 pdf 并打印了大纲，这就是我觉得奇怪的原因。

标签： python pdf pypdf2 tableofcontents

【解决方案1】：

Martin Thoma's answer 正是我所需要的 (PyMuPDF)。 Diblo Dk's answer 也是一个有趣的解决方法 (PyPDF2)。

我引用的正是 Martin Thoma 的代码：

from typing import Dict

import fitz  # pip install pymupdf


def get_bookmarks(filepath: str) -> Dict[int, str]:
    # WARNING! One page can have multiple bookmarks!
    bookmarks = {}
    with fitz.open(filepath) as doc:
        toc = doc.getToC()  # [[lvl, title, page, …], …]
        for level, title, page in toc:
            bookmarks[page] = title
    return bookmarks


print(get_bookmarks("my.pdf"))

【讨论】：

【解决方案2】：

查看名为 Tabula 的包。使用这个包提取表真的很容易。该软件包还具有使您能够从跨越多个页面的表格中提取内容的选项。

这里是值得一试的链接：- https://towardsdatascience.com/scraping-table-data-from-pdf-files-using-a-single-line-in-python-8607880c750

【讨论】：

我刚刚尝试了 tabula，但它什么也没返回（= 空列表）。