方案模板网站,苏州营销网站建设公司排名,沈阳做网站,网站开发交易一、背景#xff1a;
客户方提供过来一个开放平台的pdf文档#xff0c;文档里有几十个接口#xff0c;没有大纲和目录可以定位到具体内容#xff0c;了解整体的API功能#xff0c;观看体验极度差劲#xff0c;所以想使用Python代码自动解析pdf文档#xff0c;给文档增添…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 csvimport 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, encodingutf-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, encodingutf-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(fTitle: {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)
2、涉及依赖版本库
python 3.10 (anaconda3)
pdfplumber 0.10.3
PyPDF2 3.0.13、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,10pdf 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)以上代码未进行调试仅做参考 (* ^ ▽ ^ *) 。
