代码拉取完成，页面将自动刷新
有时下载到扫描版的 PDF 是不带书签目录的，这样阅读起来很不方便。下面通过 python 实现一个半自动化添加书签目录的脚本。
PyPDF2
pip install pypdf2
未避免后续运行程序报错，python 版本必须是 3.7 之前的（3.6）。
这一步是比较麻烦的，需要手动实现。一般可以使用一些 OCR 文字识别工具，或者将目录页转化为 word 来操作。然后整理为如下的 txt 格式：
level、 标题 title、 页数 page，用空格隔开.”来判断书签的级别，例如：
.” 是一级标题.” 是二级标题.” 是三级标题这里是我整理后的 txt:
第1章 绪论 1
1.1 本书的目的 1
1.2 信息融合的主要挑战 5
1.3 为什么需要随机集或FISST 5
1.3.1 多目标滤波的复杂性 6
1.3.2 超越启发式 7
1.3.3 单目标与多目标统计学的区别 7
1.3.4 常规数据与模糊数据的区别 7
1.3.5 形式化贝叶斯建模 8
1.3.6 模糊信息建模 8
1.3.7 多源多目标形式化建模 9
import PyPDF2
import sys
class PdfDirGenerator:
def __init__(self, pdf_path:str, txt_path:str, offset:int, out_path:str=None, levelmark:str='.'):
self.pdf_path = pdf_path # pdf路径
self.txt_path = txt_path # 包含pdf目录信息的txt
self.offset = offset # 目录页数偏移量
self.out_path = out_path # 输出路径
self.levelmark = levelmark # 用于判断书签级别的标志符
self.dir_parent = [None]
def getLevelId(self, level):
"""计算书签的级数（级数的标志符号为“.”）
一级目录: 0 个“.”，例如: 第1章、附录A等
二级目录: 1个“.”，例如: 1.1、A.1
三级目录: 2个“.”，例如: 2.1.3
"""
mark_num = 0
for c in level:
if c == self.levelmark:
mark_num += 1
return mark_num + 1
def run(self):
print("--------------------------- Adding the bookmark ---------------------------")
print(" * PDF Source: %s" % self.pdf_path)
print(" * TXT Source: %s" % self.txt_path)
print(" * Offset: %d" % self.offset)
print("---------------------------------------------------------------------------")
with open(self.txt_path, 'r', encoding='utf-8') as txt:
pdf_reader = PyPDF2.PdfFileReader(self.pdf_path)
pdf_writer = PyPDF2.PdfFileWriter()
pdf_writer.cloneDocumentFromReader(pdf_reader)
# BUG: ValueError: {’/Type’: ‘/Outlines’, ‘/Count’: 0} is not in list
# 修改代码 ${PYTHON_PATH}/site-packages/PyPDF2/pdf.py): getOutlineRoot 函数
# 参考：https://www.codetd.com/en/article/11823498
lines = txt.readlines()
num_all_lines = len(lines)
for i, line in enumerate(lines):
# pline = line.split(' ') # 要求level title page之间只能有一个空格且不能是\t, 比较麻烦换成下面这个
pline = line.split(None, maxsplit=-1) # python 3.6.13, 支持删除\t\n 空格, 且不限次数
level = pline[0]; title = pline[1]; page = int(pline[2]) + self.offset
# 1. 计算当前的 level 的级数 id
# 2. 当前书签的父结点存放在 dir_parent[id-1] 上
# 3. 更新/插入 dir_parent[id]
id = self.getLevelId(level)
if id >= len(self.dir_parent):
self.dir_parent.append(None)
self.dir_parent[id] = pdf_writer.addBookmark(level+' '+title, page-1, self.dir_parent[id-1])
print(" * [%d/%d finished] level: %s(%d), title: %s, page: %d" % (i+1, num_all_lines, level, id, title, page))
if self.out_path is None:
self.out_path = self.pdf_path[:-4] + '(书签).pdf'
with open(self.out_path, 'wb') as out_pdf:
pdf_writer.write(out_pdf)
print("---------------------------------------------------------------------------")
print(" * Save: %s" % self.out_path)
print("---------------------------------- Done! ----------------------------------")
if __name__ == '__main__':
input_num = len(sys.argv)
assert(input_num > 3)
opath = None
if input_num > 4:
opath = sys.argv[4]
mark='.'
if input_num > 5:
mark = sys.argv[5]
pdg = PdfDirGenerator(
pdf_path=sys.argv[1],
txt_path=sys.argv[2],
offset=int(sys.argv[3]), # 一般是目录结束页的页数
out_path=opath,
levelmark=mark
)
pdg.run()
上述代码保存在 PdfDirGenerator.py中，其中有3个参数和2个可选参数：
例如，在命令行中输入：
python .\PdfDirGenerator.py .\多源多目标统计信息融合Mahler.pdf .\dir.txt 27
运行效果：
这里主要参考 https://www.codetd.com/en/article/11823498
如果 PDF 之前被其他软件修改过（删除之前的目录），可能会有如下错误：
Traceback (most recent call last):
File ".\PDFbookmark.py", line 70, in <module>
print(addBookmark(args[1], args[2], int(args[3])))
File ".\PDFbookmark.py", line 55, in addBookmark
new_bookmark = writer.addBookmark(title, page + page_offset, parent=parent)
File "C:\Anaconda3\lib\site-packages\PyPDF2\pdf.py", line 732, in addBookmark
outlineRef = self.getOutlineRoot()
File "C:\Anaconda3\lib\site-packages\PyPDF2\pdf.py", line 607, in getOutlineRoot
idnum = self._objects.index(outline) + 1
ValueError: {
'/Type': '/Outlines', '/Count': 0} is not in list
解决方法：修改 pdf.py 的 getOutlineRoot() 函数（pdf.py 的路径为 ${PYTHON_PATH}/site-packages/PyPDF2/pdf.py）
def getOutlineRoot(self):
if '/Outlines' in self._root_object:
outline = self._root_object['/Outlines']
try:
idnum = self._objects.index(outline) + 1
except ValueError:
if not isinstance(outline, TreeObject):
def _walk(node):
node.__class__ = TreeObject
for child in node.children():
_walk(child)
_walk(outline)
outlineRef = self._addObject(outline)
self._addObject(outlineRef.getObject())
self._root_object[NameObject('/Outlines')] = outlineRef
idnum = self._objects.index(outline) + 1
outlineRef = IndirectObject(idnum, 0, self)
assert outlineRef.getObject() == outline
else:
outline = TreeObject()
outline.update({ })
outlineRef = self._addObject(outline)
self._root_object[NameObject('/Outlines')] = outlineRef
return outline
更新于 2022年9月13日
如果 PyPDF2 的版本是 2.8.0 / 2.11.0 的，报错信息有点不同，如下所示。可见，我们需要修改的是 _writer.py 的 get_outline_roor() 函数。
File "C:\Users\q2799\.conda\envs\py36\lib\site-packages\PyPDF2\_writer.py", line 1195, in addBookmark
title, pagenum, parent, color, bold, italic, fit, *args
File "C:\Users\q2799\.conda\envs\py36\lib\site-packages\PyPDF2\_writer.py", line 1174, in add_bookmark
parent = self.get_outline_root()
File "C:\Users\q2799\.conda\envs\py36\lib\site-packages\PyPDF2\_writer.py", line 1008, in get_outline_root
idnum = self._objects.index(outline) + 1
ValueError: {'/Type': '/Outlines', '/First': IndirectObject(1006, 0, 3019818315728), '/Count': 493, '/Last': IndirectObject(1498, 0, 3019818315728)} is not in list
get_outline_root 修改为：
def get_outline_root(self) -> TreeObject:
if CO.OUTLINES in self._root_object:
# TABLE 3.25 Entries in the catalog dictionary
outline = cast(TreeObject, self._root_object[CO.OUTLINES])
try:
idnum = self._objects.index(outline) + 1
except ValueError:
if not isinstance(outline, TreeObject):
def _walk(node):
node.__class__ = TreeObject
for child in node.children():
_walk(child)
_walk(outline)
outline_ref = self._add_object(outline)
self._add_object(outline_ref.get_object())
self._root_object[NameObject('/Outlines')] = outline_ref
idnum = self._objects.index(outline) + 1
outline_ref = IndirectObject(idnum, 0, self)
assert outline_ref.get_object() == outline
else:
outline = TreeObject()
outline.update({})
outline_ref = self._add_object(outline)
self._root_object[NameObject(CO.OUTLINES)] = outline_ref
return outline
如果在你做了上面的修改后，在运行脚本时报错：untimeError: generator raised StopIteration，请检查使用 Python 版本是不是 3.7或者更高版本(从版本v3.7之后，Python终止迭代过程发生了变化，细节可以参考PEP 479)。为避免报错，请使用低于3.7版本的 python，例如 3.6 版本。
这里用的 PDF 是 多源多目标统计信息融合 by Mahler (z-lib.org).pdf ，有需要的同学可点击 阿里云盘 下载。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。