我要评论引言
在日常学习或工作中，我们经常会遇到需要整理大量 pdf 文件的情况。pdf 文件中的书签（也称为大纲或目录）是快速导航的重要工具，但有时我们需要将这些书签提取出来单独保存以便查看或编辑。本文将介绍一个基于 python 的工具，它可以批量处理指定目录下的 pdf 文件，提取其中的书签并保存为文本文件。无论你是技术爱好者还是需要处理文档的专业人士，这个工具都能帮到你！
背景与需求
pdf 文件的书签通常嵌套在文档的元数据中，手动复制粘贴既费时又容易出错。如果需要处理多个 pdf 文件，这种重复劳动更是让人头疼。好在 python 提供了强大的库，比如 pypdf2，可以帮助我们轻松访问 pdf 的内部结构。通过编写一个自动化脚本，我们可以一次性处理多个文件，提取书签并按层级保存。
这个工具的目标是：
- 遍历指定目录下的所有 pdf 文件。
- 提取每个 pdf 的书签（包括嵌套层级）。
- 将书签保存为格式化的文本文件。
- 提供友好的交互式界面，支持批量处理。
功能概览
脚本包含以下几个核心功能：
- 递归提取书签：支持多层嵌套的书签结构。
- 批量处理：自动扫描目录中的 pdf 文件并逐一处理。
- 错误处理：对无效文件或缺少书签的情况进行提示。
- 交互式界面：用户可以输入目录路径并选择是否继续处理。
接下来，我们将深入探讨代码的实现细节。
技术实现
依赖库
脚本依赖以下两个库：
os：用于文件和目录操作。pypdf2：用于读取 pdf 文件并提取书签。
安装 pypdf2 的命令如下：
pip install pypdf2
核心函数解析
extract_bookmarks(outline, level=0, bookmarks_list=none)
- 功能：递归提取 pdf 的书签（
outline），支持嵌套结构。 - 逻辑：
- 如果传入的
outline为空，直接返回。 - 遍历每个书签项，检查其类型：
- 如果是字典（
dict），提取标题并记录层级（通过缩进表示）。 - 如果是列表（
list），递归调用自身处理子节点。 - 对未识别的类型打印调试信息。
- 如果是字典（
- 如果传入的
- 返回值：包含所有书签的列表，每项前面带有缩进以反映层级。
save_bookmarks_to_file(bookmarks, output_file)
- 功能：将提取的书签保存到指定文本文件中。
- 细节：使用 utf-8 编码写入，确保支持多语言字符。
process_pdfs_in_directory(input_dir, output_dir)
- 功能：处理指定目录中的所有 pdf 文件。
- 步骤：
- 检查并创建输出目录。
- 扫描
.pdf文件并逐一处理。 - 使用
pdfreader读取 pdf，提取outline。 - 调用
extract_bookmarks获取书签列表。 - 将结果保存为
{文件名}_bookmarks.txt。
main()
- 功能：提供交互式入口。
- 流程：
- 提示用户输入 pdf 文件目录和输出目录。
- 调用
process_pdfs_in_directory处理文件。 - 支持循环操作，直到用户选择退出。
代码亮点
- 递归设计：
extract_bookmarks使用递归优雅地处理嵌套书签。 - 健壮性：通过异常捕获和条件检查，避免程序因文件损坏或缺少书签而崩溃。
- 用户友好：交互式界面让非技术用户也能轻松使用。
使用场景
假设你有一个文件夹，里面存放了多本电子书的 pdf 文件，每本都有详细的书签。你可以使用这个工具：
- 运行脚本，输入文件夹路径。
- 脚本自动扫描并生成每个 pdf 的书签文本文件。
- 你可以将这些书签导入笔记软件，或用于快速检索内容。
例如：
- 输入目录：
d:/books - 输出结果：
d:/books/book1_bookmarks.txt,d:/books/book2_bookmarks.txt
输出文件可能如下：
- chapter 1 - section 1.1 - section 1.2 - chapter 2
如何运行
- 确保安装了 python 和
pypdf2。 - 将脚本保存为
pdf_bookmark_extractor.py。 - 在终端运行：
python pdf_bookmark_extractor.py
- 按照提示输入目录路径即可。
注意事项
- 脚本依赖 pdf 文件的书签数据。如果 pdf 未嵌入书签，程序会提示并跳过。
- 对于复杂或损坏的 pdf 文件，可能会出现提取失败的情况，此时会显示错误信息。
完整代码
以下是完整的 python 脚本：
import os
from pypdf2 import pdfreader
def extract_bookmarks(outline, level=0, bookmarks_list=none):
"""递归提取所有层级的书签内容"""
if bookmarks_list is none:
bookmarks_list = []
if not outline:
return bookmarks_list
for item in outline:
if isinstance(item, dict):
title = item.get('/title', 'unnamed')
bookmarks_list.append(" " * level + f"- {title}")
if '/kids' in item or 'kids' in item:
kids = item.get('/kids', item.get('kids', []))
extract_bookmarks(kids, level + 1, bookmarks_list)
elif isinstance(item, list):
extract_bookmarks(item, level + 1, bookmarks_list)
else:
print(f"未识别的书签项类型: {type(item)} - {item}")
return bookmarks_list
def save_bookmarks_to_file(bookmarks, output_file):
"""将书签保存到文件中"""
with open(output_file, 'w', encoding='utf-8') as f:
for line in bookmarks:
f.write(line + "\n")
print(f"书签已保存到: {output_file}")
def process_pdfs_in_directory(input_dir, output_dir):
"""处理指定目录下的所有 pdf 文件"""
if not os.path.exists(output_dir):
os.makedirs(output_dir)
print(f"已创建输出目录: {output_dir}")
pdf_files = [f for f in os.listdir(input_dir) if f.lower().endswith('.pdf')]
if not pdf_files:
print("指定目录中没有找到 pdf 文件！")
return
print(f"找到 {len(pdf_files)} 个 pdf 文件，开始处理...")
for pdf_file in pdf_files:
pdf_path = os.path.join(input_dir, pdf_file)
print(f"\n正在处理: {pdf_file}")
try:
pdf = pdfreader(pdf_path)
outline = pdf.outline
if not outline:
print(f"{pdf_file} 没有书签，跳过。")
continue
bookmarks = extract_bookmarks(outline)
if not bookmarks:
print(f"{pdf_file} 未提取到任何书签，可能结构复杂。")
continue
print("提取到的书签：")
for idx, bookmark in enumerate(bookmarks, 1):
print(f"{idx}. {bookmark}")
output_filename = os.path.splitext(pdf_file)[0] + "_bookmarks.txt"
output_path = os.path.join(output_dir, output_filename)
save_bookmarks_to_file(bookmarks, output_path)
except exception as e:
print(f"处理 {pdf_file} 时出错：{e}")
def main():
"""主程序：交互式选择目录并提取所有 pdf 的书签"""
print("欢迎使用 pdf 书签批量提取工具！")
while true:
input_dir = input("请输入包含 pdf 文件的目录路径（或输入 'q' 退出）：").strip()
if input_dir.lower() == 'q':
print("退出程序。")
break
if not os.path.isdir(input_dir):
print("目录不存在，请重新输入！")
continue
output_dir = input("请输入保存书签的输出目录路径（默认与输入目录相同）：").strip()
if not output_dir:
output_dir = input_dir
process_pdfs_in_directory(input_dir, output_dir)
continue_choice = input("\n是否继续处理其他目录？(y/n): ").strip().lower()
if continue_choice != 'y':
print("退出程序。")
break
if __name__ == "__main__":
main()
总结
这款工具展示了 python 在文件处理和自动化任务中的强大能力。通过几行代码，我们实现了一个实用的小程序，不仅节省时间，还能轻松扩展功能（比如支持其他格式或添加图形界面）。希望这篇文章能激发你对 python 的兴趣，也欢迎根据自己的需求改进这个脚本！
以上就是基于python开发批量提取pdf书签的实用工具的详细内容，更多关于python批量提取pdf书签的资料请关注代码网其它相关文章！
发表评论