pdf没有书签「pdf怎么会有扫描版这种玩意它还不带书签」

写本文的目的

最近又在看一些pdf书,但大多数都是扫描版,没目录书签真的很恼火,想找点内容都必须拉到顶部看下目录的页码,然后再去定位。

因此我就想能不能通过python写个脚本,把目录导进去。

实现思路我需要获得目录 为达到这个目的,想到下面几种方案。

截图。通过orc识别,如QQ截图的识别,或者其他识别工具,从扫描版上获取目录。

书籍网站上找目录-如http://img.lvdanban.wang/upload/pic/2022-11-20/21pdewlujwx

程序集成orc库来扫描整个pdf获取目录。

我需要有一个现成的pdf库,来供我读取和操作pdf文件

这玩意百分之百有,github上一找就找到了一个叫做Pypdf3的东西

编码思路从网上找到目录

我这里是手动复制,其实也可以使用爬虫,这样只需要输入网页地址即可。 这里选择该方案主要我还没有动力去了解orc扫描。但orc扫描应该是最优方案了。

导入目录,依靠正则表达式做数据清洗。生成树形结构

请小心中文乱码。

ps:正则表达式的?操作pdf加标签

网上下载下来的目录需要核实对不对得上。有可能你找的电子书版本和你手头上的电子书版本对不上。

核实手头上的电子书内容的页码和在pdf中的实际页码的偏移量。这影响了你标签加的准不准。

输出文件,这基本就完事了,然后再把它搞成shell脚本凑合着也就能用了一些缺陷

数据清洗其实挺麻烦的,因为目录结构无法保证是一致的

输出的文件还是有一点偏差,不过偏差不大就是了。

从网上找目录也不是一个稳妥的方案,只能说是临时方案,所以还是得搞orc扫描

一些请求

哇,兄弟,这玩意还是要有专业的工具比较靠谱。

有哪些优秀的orc库,或者说可以直接生成目录的工具请告知啊。

peace and love。

上一篇: 女销售原来靠这样卖房(楼盘置业顾问提成大概多少)
下一篇: 笔记本电脑运行慢怎么解决方法「为什么你的笔记本电脑很慢如何修复」