基于Python开发批量提取PDF书签的实用工具

目录

• 引言
• 背景与需求
• 功能概览
• 技术实现
• 依赖库
• 核心函数解析
• 代码亮点
• 使用场景
• 如何运行
• 注意事项
• 完整代码
• 总结

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！

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：

1. 遍历指定目录下的所有 PDF 文件。
2. 提取每个 PDF 的书签（包括嵌套层级）。
3. 将书签保存为格式化的文本文件。
4. 提供友好的交互式界面，支持批量处理。

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。

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

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。
• 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。

• 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。

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：

1. 运行脚本，输入文件夹路径。
2. 脚本自动扫描并生成每个 PDF 的书签文本文件。
3. 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

1. 确保安装了 Python 和 PyPDF2。
2. 将脚本保存为 pdf_bookmark_extractor.py。
3. 在终端运行：

python pdf_bookmark_extractor.py

1. 按照提示输入目录路径即可。

• 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。

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()

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书签的资料请关注风君子博客其它相关文章！

您可能感兴趣的文章:

• Python对PDF书签进行添加,修改提取和删除操作
• 使用Python给PDF添加目录书签的实现方法
• Python生成pdf目录书签的实例方法