使用Python开发的PDF拆分工具

目录

• 1. 我写这个工具的原因
• 2. 最终效果长什么样（我想要的输出）
• 3. 使用方法（我实际是这样跑的）
• 3.1 我做的第 1 步：选择 PDF 文件
• 3.2 我做的第 2 步：选择输出位置并开始拆分
• 4. 环境与依赖（我用的配置）
• 5. 我在代码里做了什么（原理简述）
• 5.1 优先方案：从 PDF 书签（outline）识别章节
• 5.2 备用方案：扫描正文文本猜章节起始页
• 6. 我可以调的关键参数（想改行为就看这里）
• 7. 常见问题（我自己踩过的坑）
• Q1：提示“未识别到任何章节标题”
• Q2：为什么我的章节起始页不准？
• Q3：输出文件名为什么会有下划线？
• 8. 完整代码（可直接复制运行）

我经常会把电子书交给 AI 做总结/问答，但很多 PDF 体积大、页数多，如果我想按章节拆开再喂给 AI，手动操作会非常耗时间。

所以我用 Python 写了一个小工具，实现了：

• 自动识别“第X章”标题（优先书签，没书签再扫正文）
• 按章节自动创建文件夹（文件夹命名带序号，方便排序）
• 支持整章导出 + 单页导出（每页单独 PDF，便于上传/AI 处理）

我拆分后的输出结构大概是这样：

输出目录

01_第1章_xxx/

• 01_第1章_xxx.pdf（整章）
• p0001.pdf p0002.pdf ...（单页）

02_第2章_xxx/

• 02_第2章_xxx.pdf
• p00xx.pdf ...

一句话：我既保留“整章”，也能拿到“每一页”。

我把脚本直接丢进 PyCharm（你原文写的 ptcharm 我这里统一写成 PyCharm）运行即可。

我点击按钮 「1. 请选择你的 PDF 文件」，选中要处理的 PDF。

我点击 「2. 请选择输出目录并开始拆分」，选择一个输出文件夹，工具就会开始处理，并在下方日志区域输出进度。

你原来的两张图建议保留在这里（效果最直观）

• Windows 10/11 均可
• Python 3.x（建议 3.8+）
• 依赖库：pypdf

我安装依赖的方式：

pip install pypdf

注意：如果 PDF 是扫描版图片（没有可提取的文字），正文识别可能会失败，这种情况需要先 OCR，否则工具无法“读到章节标题”。

为了让工具对不同 PDF 更“稳”，我设计了两套识别策略：

如果 PDF 自带书签（目录），我就直接读取书签并找出匹配 “第X章” 的标题，然后拿到对应页码作为章节起点。

优点：速度快、准确率高。

如果没有书签，我会逐页提取文本，然后用正则匹配 第X章，并做了两层过滤：

• 过滤“目录页”（包含 目录/Contents 等）
• 过滤类似 标题......页码 的目录行

优点：即使没书签，只要正文可提取文字，也能拆分。

代码最上面配置区我留了两个重点：

• CHAPTER_PATTERN：章节匹配正则（默认支持：第1章 / 第 1 章 / 第一章 / 第十四章）
• EXPORT_SINGLE_PAGES：是否导出单页 PDF（默认 True）

如果你不想生成单页 PDF，把 EXPORT_SINGLE_PAGES = False 就行。

通常是三类原因：

1. PDF 没书签 + 正文提取不到文本（扫描版）
2. 章节标题不是“第X章”这种格式（需要改正则）
3. 章节标题出现在页面太靠后（正文识别里有阈值 m.start() > 400）

解决思路：我会先确认 PDF 是不是可复制文字；不行就 OCR；标题格式不一致就改正则。

如果 PDF 正文排版很特殊（比如章标题不在页首、页眉重复干扰），可能会误判。
这种情况我会优先找“带书签”的版本，或者适当调整正文识别的阈值。

我在 sanitize_filename() 里把 Windows 不允许的字符替换成 _，避免出现“无法创建文件”的问题。

我把完整代码放在这里，复制到 PyCharm 直接运行即可。

# -*- coding: utf-8 -*-
import re
from pathlib import Path
from pypdf import PdfReader, PdfWriter

import tkinter as tk
from tkinter import filedialog, messagebox

# ================= 配置区域 =================

# 章节标题匹配规则（适合：第1章 / 第 1 章 / 第一章 / 第十四章 等）
CHAPTER_PATTERN = re.compile(
    r"第s*[一二三四五六七八九十百千0-9]+s*章[^nr]*"
)

# 是否额外按“页”拆成单页 PDF
EXPORT_SINGLE_PAGES = True

# ==========================================

# GUI 全局对象占位
root = None
log_text = None

def sanitize_filename(name: str) -> str:
    """
    去掉 Windows 不支持的文件名字符。
    """
    return re.sub(r'[\/:*?"<>|]', "_", name)


# ---------- 方案一：优先从 PDF 书签(outline) 中找章节 ----------

def find_chapters_from_outline(reader: PdfReader):
    """
    从 PDF 书签(outline) 中找出章节：
      - 遍历所有书签
      - 标题里匹配 CHAPTER_PATTERN（第X章……）
      - 获取对应页码
    返回: [{title: '第1章 xxx', start: 0}, ...]
    """
    chapters = []

    # 兼容不同版本的 pypdf：有的叫 outline，有的叫 outlines
    try:
        outlines = reader.outline
    except Exception:
        try:
            outlines = reader.outlines
        except Exception:
            outlines = None

    if not outlines:
        return []

    def walk(items):
        for item in items:
            # 子列表：继续递归
            if isinstance(item, list):
                walk(item)
            else:
                # 尝试拿书签标题
                try:
                    title = item.title
                except AttributeError:
                    title = str(item)
                if not isinstance(title, str):
                    title = str(title)

                # 标题里不含“第X章”就跳过
                if not CHAPTER_PATTERN.search(title):
                    continue

                # 拿到书签指向的页码
                try:
                    page_num = reader.get_destination_page_number(item)
                except Exception:
                    continue

                chapters.append({"title": title.strip(), "start": page_num})

    walk(outlines)

    # 去重、排序（同一页只保留一个章节）
    unique = {}
    for ch in chapters:
        if ch["start"] not in unique:
            unique[ch["start"]] = ch

    chapters = sorted(unique.values(), key=lambda c: c["start"])
    return chapters


# ---------- 方案二：从正文文本中猜章节（备用） ----------

def find_chapters_from_text(reader: PdfReader):
    """
    扫描整个 PDF 正文，猜每一章的“起始页”以及章节标题。
    规则大致是：
      - 排除“目录/contents”页面
      - 一页内允许有多个“第X章”，逐个判断
      - 只要某个匹配出现在页面较前面，且所在行不像目录行(标题 + ...... + 页码) 就认为是章节开始
    返回: [{title: '第1章 xxx', start: 0}, ...]
    """
    chapters = []
    num_pages = len(reader.pages)

    for i in range(num_pages):
        page = reader.pages[i]
        text = page.extract_text() or ""
        if not text.strip():
            continue

        # 跳过目录页（粗略判断即可）
        head = text[:100]
        if "目录" in head or "Contents" in head or "CONTENTS" in head:
            continue

        # 遍历此页所有匹配 "第X章"
        for m in CHAPTER_PATTERN.finditer(text):
            # 要求标题出现在页面比较靠前的位置
            if m.start() > 400:   # 这个阈值可以按需要微调
                continue

            # 找到这一行的文本内容
            lines = text.splitlines()
            line_of_match = ""
            char_pos = 0
            for line in lines:
                next_pos = char_pos + len(line) + 1  # 粗略算上换行
                if m.start() < next_pos:
                    line_of_match = line
                    break
                char_pos = next_pos

            # 目录行一般是：标题 + 一串点 + 页码
            # 例如：第1章 人际关系的构成..................1
            if re.search(r"[.·…]{3,}s*d+s*$", line_of_match):
                # 像目录的行，忽略
                continue

            title = m.group(0).strip()

            # 同一页只认一个章节起点
            if not any(ch["start"] == i for ch in chapters):
                chapters.append({"title": title, "start": i})
                break  # 当前页已经找到一个章节了，后面不再找

    return chapters


# ---------- 包一层：带 logger 的 find_chapters ----------

def find_chapters(reader: PdfReader, logger=print):
    chapters = find_chapters_from_outline(reader)
    if chapters:
        logger("✅ 使用 PDF 书签识别章节")
        return chapters

    logger("⚠️ 此 PDF 没有可用书签，改用正文文本识别章节")
    chapters = find_chapters_from_text(reader)
    return chapters


def fill_chapter_ranges(chapters, num_pages):
    """
    根据 start 页自动计算每章的 end 页。
    修改 chapters 列表，增加 end 字段。
    """
    for idx, ch in enumerate(chapters):
        start = ch["start"]
        if idx < len(chapters) - 1:
            end = chapters[idx + 1]["start"] - 1
        else:
            end = num_pages - 1
        ch["end"] = end
    return chapters


def split_pdf_by_chapters(pdf_path, output_root, logger=None):
    """
    真正拆分 PDF 的函数，所有信息通过 logger 输出到日志区域
    """
    if logger is None:
        logger = print

    pdf_path = Path(pdf_path)
    output_root = Path(output_root)

    if not pdf_path.exists():
        msg = f"PDF 文件不存在: {pdf_path}"
        logger(msg)
        raise FileNotFoundError(msg)

    reader = PdfReader(str(pdf_path))
    num_pages = len(reader.pages)

    book_name = pdf_path.name
    logger(f"开始处理：{book_name}")
    logger(f"总页数：{num_pages}")

    # 1. 找章节
    chapters = find_chapters(reader, logger=logger)
    if not chapters:
        msg = "未识别到任何章节标题，请检查：PDF 是否有书签/正文是否能提取文字/正则是否合适。"
        logger(msg)
        raise ValueError(msg)

    logger(f"共识别到 {len(chapters)} 章：")
    for idx, ch in enumerate(chapters, start=1):
        logger(f"  第{idx}章 → {ch['title']}（起始页：{ch['start'] + 1}）")

    # 2. 填充每章的结束页
    chapters = fill_chapter_ranges(chapters, num_pages)

    # 3. 创建输出根目录
    output_root.mkdir(parents=True, exist_ok=True)
    logger(f"输出目录：{output_root}")

    # 4. 按章节导出
    for idx, ch in enumerate(chapters, start=1):
        title = ch["title"]
        start_page = ch["start"]         # 0-based
        end_page = ch["end"]             # 0-based
        page_count = end_page - start_page + 1

        safe_title = sanitize_filename(title)
        chapter_dir = output_root / f"{idx:02d}_{safe_title}"
        chapter_dir.mkdir(parents=True, exist_ok=True)

        logger("")
        logger(f"==== 处理章节 {idx}: {title} ====")
        logger(f"页码范围: {start_page + 1} - {end_page + 1}（共 {page_count} 页）")
        logger(f"章节输出目录: {chapter_dir}")

        # 4.1 导出“整章一个 PDF”
        chapter_writer = PdfWriter()
        for p in range(start_page, end_page + 1):
            chapter_writer.add_page(reader.pages[p])

        chapter_pdf_path = chapter_dir / f"{idx:02d}_{safe_title}.pdf"
        with open(chapter_pdf_path, "wb") as f:
            chapter_writer.write(f)

        logger(f"  ✅ 已生成整章 PDF: {chapter_pdf_path.name}")

        # 4.2 可选：每一页单独导出
        if EXPORT_SINGLE_PAGES:
            for p in range(start_page, end_page + 1):
                writer = PdfWriter()
                writer.add_page(reader.pages[p])

                # 页码用 1 开始，且补零对齐，例如 p0001.pdf
                page_label = f"p{p + 1:04d}.pdf"
                single_page_path = chapter_dir / page_label
                with open(single_page_path, "wb") as f:
                    writer.write(f)
            logger("  ✅ 已生成单页 PDF 文件（按页命名）")

    logger("")
    logger("🎉 拆分完成！")


# ========= GUI 部分（两个按钮 + 日志框） =========

selected_pdf_file = ""
selected_output_dir = ""

def append_log(msg: str):
    """写日志到 Text，并自动滚动"""
    if log_text is None:
        print(msg)
        return
    log_text.config(state="normal")
    log_text.insert(tk.END, msg + "n")
    log_text.see(tk.END)
    log_text.config(state="disabled")
    # 刷新一下界面，让日志滚动更及时
    if root is not None:
        root.update_idletasks()


def choose_pdf():
    """按钮1：选择 PDF 文件"""
    global selected_pdf_file
    path = filedialog.askopenfilename(
        title="请选择 PDF 文件",
        filetypes=[("PDF 文件", "*.pdf"), ("所有文件", "*.*")]
    )
    if path:
        selected_pdf_file = path
        label_pdf.config(text=f"已选择 PDF：{path}")
        append_log(f"已选择 PDF 文件：{path}")


def choose_output_and_run():
    """按钮2：选择输出目录并开始拆分"""
    global selected_output_dir, selected_pdf_file

    if not selected_pdf_file:
        messagebox.showwarning("提示", "请先选择 PDF 文件！")
        return

    path = filedialog.askdirectory(title="请选择输出目录")
    if not path:
        return

    selected_output_dir = path
    label_output.config(text=f"输出目录：{path}")
    append_log("")
    append_log(f"输出目录设置为：{path}")
    append_log("开始拆分，请稍候...n")

    # 清理一下旧的错误提示
    try:
        split_pdf_by_chapters(selected_pdf_file, selected_output_dir, logger=append_log)
        messagebox.showinfo("完成", "拆分完成！n请到输出目录查看各章节文件夹。")
    except Exception as e:
        append_log(f"❌ 出错：{e}")
        messagebox.showerror("错误", f"处理过程中出现错误：n{e}")


if __name__ == "__main__":
    # 创建窗口
    root = tk.Tk()
    root.title("PDF 章节拆分工具")
    root.geometry("400x400")   # 固定为 400x400 的窗口
    root.resizable(False, False)

    # 上半部分：按钮区域
    btn_frame = tk.Frame(root)
    btn_frame.pack(padx=10, pady=10, fill="x")

    # 按钮1：选择 PDF
    btn_pdf = tk.Button(btn_frame, text="1. 请选择你的 PDF 文件", command=choose_pdf)
    btn_pdf.pack(fill="x")

    label_pdf = tk.Label(btn_frame, text="尚未选择 PDF 文件", anchor="w")
    label_pdf.pack(fill="x", pady=(5, 10))

    # 按钮2：选择输出目录 + 开始拆分
    btn_output = tk.Button(btn_frame, text="2. 请选择输出目录并开始拆分", command=choose_output_and_run)
    btn_output.pack(fill="x")

    label_output = tk.Label(btn_frame, text="尚未选择输出目录", anchor="w")
    label_output.pack(fill="x", pady=(5, 0))

    # 下半部分：日志输出区域（带滚动条）
    log_frame = tk.Frame(root)
    log_frame.pack(padx=10, pady=10, fill="both", expand=True)

    log_text = tk.Text(log_frame, state="disabled")
    log_text.pack(side="left", fill="both", expand=True)

    scrollbar = tk.Scrollbar(log_frame, command=log_text.yview)
    scrollbar.pack(side="right", fill="y")

    log_text.config(yscrollcommand=scrollbar.set)

    append_log("日志初始化完成。")
    append_log("提示：先选择 PDF 文件，再选择输出目录开始拆分。")

    root.mainloop()

到此这篇关于使用Python开发的PDF拆分工具的文章就介绍到这了,更多相关Python PDF拆分工具内容请搜索风君子博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持风君子博客！

您可能感兴趣的文章:

• Python使用pypdf实现按自定义页码拆分PDF文件
• Python使用pypdf按文件大小智能拆分 PDF
• 使用Python对PDF进行拆分与合并的操作方法
• Python中高效拆分PDF文档的多种方法指南
• 基于Python实现进阶版PDF合并/拆分工具