根据大纲拆分pdf

Question

我想使用 pyPdf 根据大纲拆分 pdf 文件，其中大纲中的每个目标都指向 pdf 中的不同页面。

示例大纲：

main --> 指向第 1 页 sect1 --> 指向第 1 页 sect2 --> 指向第 15 页 sect3 --> 指向第 22 页

在 pyPdf 中很容易遍历文档的每一页或文档大纲中的每个目标；但是，我不知道如何获取目标指向的页码。

有人知道如何找到大纲中每个目的地的参考页码吗？

Answer 1

我想通了：

class Darrell(pyPdf.PdfFileReader):

    def getDestinationPageNumbers(self):
        def _setup_outline_page_ids(outline, _result=None):
            if _result is None:
                _result = {}
            for obj in outline:
                if isinstance(obj, pyPdf.pdf.Destination):
                    _result[(id(obj), obj.title)] = obj.page.idnum
                elif isinstance(obj, list):
                    _setup_outline_page_ids(obj, _result)
            return _result

        def _setup_page_id_to_num(pages=None, _result=None, _num_pages=None):
            if _result is None:
                _result = {}
            if pages is None:
                _num_pages = []
                pages = self.trailer["/Root"].getObject()["/Pages"].getObject()
            t = pages["/Type"]
            if t == "/Pages":
                for page in pages["/Kids"]:
                    _result[page.idnum] = len(_num_pages)
                    _setup_page_id_to_num(page.getObject(), _result, _num_pages)
            elif t == "/Page":
                _num_pages.append(1)
            return _result

        outline_page_ids = _setup_outline_page_ids(self.getOutlines())
        page_id_to_page_numbers = _setup_page_id_to_num()

        result = {}
        for (_, title), page_idnum in outline_page_ids.iteritems():
            result[title] = page_id_to_page_numbers.get(page_idnum, '???')
        return result

pdf = Darrell(open(PATH-TO-PDF, 'rb'))
template = '%-5s  %s'
print template % ('page', 'title')
for p,t in sorted([(v,k) for k,v in pdf.getDestinationPageNumbers().iteritems()]):
    print template % (p+1,t)

Answer 2

@darrell 类的小更新，以便能够解析 UTF-8 大纲，我将其发布为答案，因为评论很难阅读。

问题出在pyPdf.pdf.Destination.title 中，可能会以两种方式返回：

• pyPdf.generic.TextStringObject
• pyPdf.generic.ByteStringObject

因此，_setup_outline_page_ids() 函数的输出还为 title 对象返回两种不同类型，如果大纲标题包含任何非 ASCII 内容，则返回 UnicodeDecodeError 失败。

我添加了这段代码来解决问题：

if isinstance(title, pyPdf.generic.TextStringObject):
    title = title.encode('utf-8')

全班：

class PdfOutline(pyPdf.PdfFileReader):

    def getDestinationPageNumbers(self):

        def _setup_outline_page_ids(outline, _result=None):
            if _result is None:
                _result = {}
            for obj in outline:
                if isinstance(obj, pyPdf.pdf.Destination):
                    _result[(id(obj), obj.title)] = obj.page.idnum
                elif isinstance(obj, list):
                    _setup_outline_page_ids(obj, _result)
            return _result

        def _setup_page_id_to_num(pages=None, _result=None, _num_pages=None):
            if _result is None:
                _result = {}
            if pages is None:
                _num_pages = []
                pages = self.trailer["/Root"].getObject()["/Pages"].getObject()
            t = pages["/Type"]
            if t == "/Pages":
                for page in pages["/Kids"]:
                    _result[page.idnum] = len(_num_pages)
                    _setup_page_id_to_num(page.getObject(), _result, _num_pages)
            elif t == "/Page":
                _num_pages.append(1)
            return _result

        outline_page_ids = _setup_outline_page_ids(self.getOutlines())
        page_id_to_page_numbers = _setup_page_id_to_num()

        result = {}
        for (_, title), page_idnum in outline_page_ids.iteritems():
            if isinstance(title, pyPdf.generic.TextStringObject):
                title = title.encode('utf-8')
            result[title] = page_id_to_page_numbers.get(page_idnum, '???')
        return result

Answer 3

Darrell 的类可以稍作修改以生成 pdf 的多级目录（以 pdftk 工具包中的 pdftoc 的方式。）

我的修改为 _setup_page_id_to_num 添加了一个参数，这是一个整数“级别”，默认为 1。每次调用都会增加级别。我们不只在结果中存储页码，而是存储页码和级别对。使用返回的结果时应进行适当的修改。

我正在使用它来实现“PDF Hacks”基于浏览器的一次页面文档查看器，其中包含反映 LaTeX 部分、子部分等书签的侧边栏目录。我正在一个无法安装 pdftk 但可以使用 python 的共享系统上工作。

Answer 4

这正是我想要的。 Darrell 对 PdfFileReader 的添加应该是 PyPDF2 的一部分。

我写了一个小秘诀，它使用 PyPDF2 和 sejda-console 按书签分割 PDF。就我而言，我想将几​​个 1 级部分放在一起。这个脚本允许我这样做并为生成的文件赋予有意义的名称。

import operator
import os
import subprocess
import sys
import time

import PyPDF2 as pyPdf

# need to have sejda-console installed
# change this to point to your installation
sejda = 'C:\\sejda-console-1.0.0.M2\\bin\\sejda-console.bat'

class Darrell(pyPdf.PdfFileReader):
    ...

if __name__ == '__main__':
    t0= time.time()

    # get the name of the file to split as a command line arg
    pdfname = sys.argv[1]

    # open up the pdf
    pdf = Darrell(open(pdfname, 'rb'))

    # build list of (pagenumbers, newFileNames)
    splitlist = [(1,'FrontMatter')] # Customize name of first section

    template = '%-5s  %s'
    print template % ('Page', 'Title')
    print '-'*72
    for t,p in sorted(pdf.getDestinationPageNumbers().iteritems(),
                      key=operator.itemgetter(1)):

        # Customize this to get it to split where you want
        if t.startswith('Chapter') or \
           t.startswith('Preface') or \
           t.startswith('References'):

            print template % (p+1, t)

            # this customizes how files are renamed
            new = t.replace('Chapter ', 'Chapter')\
                   .replace(':  ', '-')\
                   .replace(': ', '-')\
                   .replace(' ', '_')
            splitlist.append((p+1, new))

    # call sejda tools and split document
    call = sejda
    call += ' splitbypages'
    call += ' -f "%s"'%pdfname
    call += ' -o ./'
    call += ' -n '
    call += ' '.join([str(p) for p,t in splitlist[1:]])
    print '\n', call
    subprocess.call(call)
    print '\nsejda-console has completed.\n\n'

    # rename the split files
    for p,t in splitlist:
        old ='./%i_'%p + pdfname
        new = './' + t + '.pdf'
        print 'renaming "%s"\n      to "%s"...'%(old, new),

        try:
            os.remove(new)
        except OSError:
            pass

        try:
            os.rename(old, new)
            print' succeeded.\n'
        except:
            print' failed.\n'

    print '\ndone. Spliting took %.2f seconds'%(time.time() - t0)