利用python給pdf新增目錄
利用tampermonkey的知網下載助手指令碼下載pdf格式論文時,發現論文缺少書籤,而指令碼可以下載一個txt格式的書籤(目錄),因此打算利用python將txt格式的目錄新增到pdf中。
txt檔案解析
txt 檔案的讀取
利用python讀取txt檔案時,使用的是python中的open方法,讀取檔案時最好加上檔案的編碼方式。不然有可能出現以下錯誤:
UnicodeDecodeError: 'gbk' codec can't decode byte 0xa6 in position 14: illegal multibyte sequence
這是因為再windows系統中python讀取檔案時的預設編碼方式不是utf-8導致的。
實現程式碼如下:
txtpath = "D:/目錄.txt"
with open(txtpath,'r',encoding='utf-8') as f:
list_data = f.read()
print(type(list_data)) # 列印檔案讀取得到變數的型別,輸出結果為“str”,即文字型別
print(list_data)
轉義字元的原樣列印
通過以上步驟已經可以讀取到txt檔案中的內容了,由於換行符、製表符在使用print輸出時會視覺化輸出,而不是輸出\t \n 這種轉移字元,而在進行文字內容解析時需要對這些轉義字元進行解析,所以現在需要將轉義字元原樣輸出,其方法是將字串放到陣列中,然後列印陣列。
實現程式碼如下:
str='致謝\t5\n摘要\t6\nABSTRACT\t8\n1 緒論\t16\n\t1.1 研究意義\t16\n\t'
print([str])
輸出結果:
['致謝\t5\n摘要\t6\nABSTRACT\t8\n1 緒論\t16\n\t1.1 研究意義\t16\n\t']
txt檔案按行讀取
而通過分析txt中的文字可以發現,txt檔案中的內容每行對應一條目錄,因此可以採用按行讀取的方式一行行的去對文字進行解析。
按行讀取的程式碼如下:
with open(txtpath,'r',encoding='utf-8') as f: for line in f: print([line]) # 將行文字放在陣列中列印是為了檢視轉移字元 pass
書籤文字資訊解析
觀察每行文字資訊可以發現,書籤的格式大致為
\t書籤文字\t頁碼\n
因此解析文字時,可以先找到倒數第一個\t製表符,從而確定頁碼,然後就可以將頁碼以外的文字全部放到書籤文字中了,而書籤是幾級書籤,可以通過每行文字前面\t製表符的個數確定。
參考程式碼:
for line in f:
line=line.replace('\n','') #去除\n
i0=line.rfind('\t') #在find前加r的效果是從後往前搜尋
page_num=int(line[i0+1:])
line=line[:i0]
i0=0
page_grade=0
while(line.find('\t',i0,-1)!=-1):
page_grade+=1
i0 = line.find('\t',i0+1,-1) #更新i0,繼續搜尋
page_text=line.replace('\t','')
需要注意的是,在查詢倒數第一個\t的時候,使用的事rfind函式,而不是find函式,這兩個函式的區別是,rfind函式從後往前找,find函式從前往後找。
為pdf檔案新增書籤
這裡需要用到的是PyPDF2庫,大概流程是用reader讀取pdf,將reader讀取到的pdf複製到writer中,然後給writer中的pdf新增標籤,最後儲存pdf即可。
實現的程式碼如下:
from PyPDF2 import PdfFileReader as reader,PdfFileWriter as writer
pdfpath = "D:/1.pdf"
pdf_in = reader(pdfpath)
pdf_out = writer()
# 將讀取的pdf放到writer中
pageCount = pdf_in.getNumPages()
for iPage in range(pageCount):
pdf_out.addPage(pdf_in.getPage(iPage))
parent0=pdf_out.addBookmark('父目錄',0,parent = None) # 新增父目錄
# 使用方法: addBookmark(書籤文字,書籤頁碼,書籤的父目錄),返回值是書籤(可以作為其他書籤的父目錄)
parent1=pdf_out.addBookmark('子目錄',0,parent = parent0) # 給父新增子目錄
# 儲存pdf
with open('D:/1-bookmark.pdf','wb') as fout:
pdf_out.write(fout)
在複製pdf時沒有使用cloneDocumentFromReader()方法,因為實際使用時發現使用了這個方法會在新增書籤時報錯,所以使用了一個折衷的方式,單頁pdf複製。
ValueError: {'/Type': '/Outlines'} is not in list
為了讓書籤正確的新增到其父目錄底下,程式在設計時引用了一個parent列表,實現方法如下:
parent=[]
curren_grade=0
parent.append(None)
with open(txtpath,'r',encoding='utf-8') as f:
for line in f:
line=line.replace('\n','') #去除\n
i0=line.rfind('\t') #在find前加r的效果是從後往前搜尋
page_num=int(line[i0+1:])
line=line[:i0]
i0=0
page_grade=0
while(line.find('\t',i0,-1)!=-1):
page_grade+=1
i0 = line.find('\t',i0+1,-1) #更新i0,繼續搜尋
page_text=line.replace('\t','')
# 動態調整parent列表的長度
if curren_grade<page_grade:
parent.append(None)
curren_grade=page_grade
if page_grade==0:
parent[0]=pdf_out.addBookmark(page_text,page_num-1,parent = None)
else:
parent[page_grade]=pdf_out.addBookmark(page_text,page_num-1,parent = parent[page_grade-1])
同時引用了一個curren_grade變數,讓程式中的parent列表長度可以根據目錄總的等級數量動態的調整。
完整程式碼
以下是程式的完整程式碼,程式中txtpath為書籤檔案的輸入路徑,pdfpath為pdf路徑,新增書籤後的pdf輸出路徑為源目錄下pdf檔案檔名後新增_bm。
比如輸入pdf路徑為D:/1.pdf時,輸出的路徑就是D:/1_bm.pdf
import numpy as np
from PyPDF2 import PdfFileReader as reader,PdfFileWriter as writer
import os
def add_bookmarks(txtpath,pdfpath):
pdf_in = reader(pdfpath)
pdf_out = writer()
# pdf_out.cloneDocumentFromReader(pdf_in,after_page_append=None)
parent=[]
pageCount = pdf_in.getNumPages()
for iPage in range(pageCount):
pdf_out.addPage(pdf_in.getPage(iPage))
curren_grade=0
parent.append(None)
with open(txtpath,'r',encoding='utf-8') as f:
for line in f:
line=line.replace('\n','') #去除\n
i0=line.rfind('\t') #在find前加r的效果是從後往前搜尋
page_num=int(line[i0+1:])
line=line[:i0]
i0=0
page_grade=0
while(line.find('\t',i0,-1)!=-1):
page_grade+=1
i0 = line.find('\t',i0+1,-1) #更新i0,繼續搜尋
if curren_grade<page_grade:
parent.append(None)
curren_grade=page_grade
page_text=line.replace('\t','')
if page_grade==0:
parent[0]=pdf_out.addBookmark(page_text,page_num-1,parent = None)
else:
parent[page_grade]=pdf_out.addBookmark(page_text,page_num-1,parent = parent[page_grade-1])
outpath = pdfpath[:-4]+'_bm.pdf'
with open(outpath,'wb') as fout:
pdf_out.write(fout)
if __name__ == '__main__':
txtpath = "D:/1_目錄.txt"
pdfpath = "D:/1.pdf"
add_bookmarks(txtpath,pdfpath)
優化程式
接下來讓程式自動的讀取當前python指令碼檔案路徑下的pdf檔案和txt書籤,然後匹配書籤後再自動新增書籤,避免手動輸入路徑的繁瑣。
(未完待續)
參考
用Python為PDF檔案批量新增書籤 - 簡書
用python合併pdf,並新增書籤_BlowfishKing的部落格-CSDN部落格
python 反向查詢_weixin_30596735的部落格-CSDN部落格
【python】讀取和輸出到txt_flora-CSDN部落格
python遍歷目錄下所有檔案 - 努力奮鬥小青年 - 部落格園