时间戳

首页 > 技术文章 > 批量自动化生成PDF目录标签

批量自动化生成PDF目录标签

Jay-CFD 2018-05-28 15:30 原文

 所需软件：

1. FreePic2Pdf（网上很容易找到）

2. python3

3. 天若OCR

官网：http://tianruoocr.cn/

搜狗OCR配置：https://tianruoocr.cn/interface/Txt_sougou.html

免费版调用的是百度的OCR，对于这种目录的识别效果不好，经过尝试发现只有搜狗的效果是最好的，所以如果有需要还是购买专业版，然后配置搜狗的OCR

 

实现方法：

1. 提取书签内容文本

 

 

许多英文书籍PDF的文字是可以直接复制粘贴的，这种情况比较好处理，直接复制出来，暂时保存到文本中。

如果为扫描版PDF，则可以用上面提供的天若OCR进行识别，然后提取文字内容，识别率挺高，不算太麻烦。

最后得到目录内容：

 

如果是用OCR软件识别的内容，有时候会有一些多余的符号，影响下面python脚本的运行，最常见的是：

1）目录出现换行，导致该行最后一个字符不是数字，脚本无法正确运行，会报错；

2）行末的数字前出现一些多余符号，也会影响脚本运行，一个个手动修改太麻烦，可以在VScode里用vim批量操作。如：

 上面输入的替换命令为：

%s/…/ /g

用vim里:模式下的替换命令，上面表示把…全部替换成空格。注意VScode里的vim插件可以在替换命令里粘贴内容，但是我在terminal的vim里似乎不行，有些字符奇怪字符有时候不知道怎么打，可以直接粘贴过去。

%s/(待替换内容)/(替换内容)/g

 

 

2. 在同一工作目录下运行如下python脚本

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
'''
@Author: Yin Weijie
@Date: 2018.5.25
@Description:
替换页码
@Revised Date: 2019.3.7
@Description:
在次级目录前加tab
'''

fin = open("aa.txt", "r")
fout = open("bb.txt", "w")

for each_line in fin:
    list = each_line.split()
    for i in range(len(list) - 1): #倒数第一个元素是数字，先不放
        if (list[i] == '.'):
            continue
        # 这里章数默认不超过两位数
        if ((len(list[i]) > 1 and list[i][1] == '.') or (len(list[i]) > 2 and list[i][2] == '.')):
            fout.write('\t')
        fout.write(list[i])
        fout.write(' ')
        # print(list[i])
    fout.write('\t')
    num = int(list[-1]) + 0 #单独处理倒数第一个数字
    fout.write(str(num))

    fout.write("\n")

fin.close()
fout.close()

 

 

得到文件bb.txt的内容：

 

这里实际上就是做一个文本替换，为后面FreePic2Pdf使用作准备。因为FreePic2Pdf只能识别固定格式的书签内容，主要有如下几方面需要修改：

1）页码是PDF中的绝对页码，通常需要加减一个差值，但是这个PDF的排版比较特殊，书中的页码内容和PDF绝对页码内容一致，否则上面python代码中

num = int(list[-1]) + 0 #单独处理倒数第一个数字

这一行加的数字应该是PDF绝对页码和书籍页码的差值。

2）页码数字和前面的文字之间应该是\tab，而不是空格。

3）每行行首也可以加\tab，表示次级目录。也可以加多个\tab增加更多目录层级，这里只做了一个次级目录。

 

3. 用FreePic2Pdf批量插入标签

 

会在该PDF文件所在目录生成一个新的目录，包含如下文件：

 

打开上面的txt文件，把之前生成的bb.txt中的内容贴进去，保存。然后再回到FreePic2Pdf软件：

 

经过上面操作，就能成功添加标签了。

 

推荐阅读