Python 实现给 pdf 文件自动识别标题并增添大纲_python 识别标题

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 csv

import 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)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88

2、涉及依赖版本库

python = 3.10 (anaconda3)
pdfplumber = 0.10.3
PyPDF2 = 3.0.1
1
2
3

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
1
2
3
4
5
6
7
8
9
10
11
12

• pdf 示例
  

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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

以上代码未进行调试，仅做参考 (* ^ ▽ ^ *) 。