我有a PDF file，其中包含一个目录，其中每个条目都链接到文件中的一个页面。
我应该如何用 Python 或 Java（或其他一些语言）编程以提取以下形式的目录：
entry1 PageNumberEntry1LinkedTo
entry2 PageNumberEntry2LinkedTo
...
例如
Section 2.6. Argument Arrays 2
Section 2.7. Thread-Safe Functions 2
（如果可以按照目录的结构提取到某种树形数据结构中就更好了，如果不行可以略过。）
我想获得一些关于可以使用哪些 Python 或 Java 模块和函数来完成此任务的帮助？比如 Python 中的 PDFMiner 或 pypdf2，IPython 或 Java 中的 iText，...？
【问题讨论】：
标签： java python pdf itext pypdf
我检查了你的文件，它看起来很奇怪。
请看以下截图：
我使用iText RUPS 来查看页面树的根。您可能知道 PDF 中的页面不知道其页码。页面的页码由页面在页面树中的位置决定。
在屏幕截图中，您可以看到第 1 页的部分页面字典（对象 3）（它是第 1 页，因为3 0 R 是/Kids 数组中的第一个元素）。
我打开了带有注释的数组，我看到一个带有/GoTo 动作的链接注释。此操作告诉 PDF 查看器跳转到页面字典为对象编号 58 的页面。
当我们检查页面树（实际上只不过是一个没有任何叶子的分支）时，我们看到 58 0 R 指的是第 2 页（页面树中的第二项）。
但是，这不可能是对的，不是吗？第 2 页只包含 TOC 的另一部分，所以我认为链接不正确。
看起来好像您基于网页创建了 PDF，因为我看到一个引用 HTML 页面的 /PA 条目。
长话短说：
您需要遍历每个页面中的所有注释并查找/Link 注释。然后，您必须检查操作的值 (/A)。这将为您提供您正在寻找的页面的对象 ID。
至于文本：显然，文本并没有存储在注解中。对于屏幕截图中显示的链接，您必须搜索矩形 [107.2 754.3 235.6 763.6] 内的文本。这并非不可能，但并不总是微不足道的。
您的问题是一个需要几天工作的项目。如果您想要一个可行的示例，请考虑到您要求人们贡献的时间不只是几个小时。
【讨论】：
ANNOTS、Link、extract、...的答案。