提取 PDF 的目录？

Question

我在 SWFTools 和 XPDF 的帮助下将 pdf 提取到图像/swf 和文本中。我在 PDF 脚本中运行这些。

但现在我想更进一步，尝试从 PDF 中获取 TOC 是否可以提取此信息？

Answer 1

我认为查看PHP's PDFLib 将是一个很好的起点。如果向下滚动，您将看到大量用户发布的将 PDF 转换为 HTML 或 PDF 转换为文本的解决方案。转换后，一个相对简单的匹配函数可以提取标记的 TOC 项目并将它们放入一个数组中，然后您可以随意操作。

This StackOverflow post还有更多的解决方案。

希望这会有所帮助。

Answer 2

我通过一些搜索找到了这个。看起来很有希望。

PDFMiner：http://www.unixuser.org/~euske/python/pdfminer/index.html

注意：该工具是基于 Python 的，但您应该能够通过 shell 访问来使用该工具。或者，您可以从源代码本身收集一些有用的信息，因为该项目是开源的。

来自网站：

dumppdf.py

dumppdf.py 以伪 XML 格式转储 PDF 文件的内部内容。该程序主要用于调试目的，但也可以提取一些有意义的内容（例如图像）。

示例：

$ dumppdf.py -a foo.pdf
(dump all the headers and contents, except stream objects)

$ dumppdf.py -T foo.pdf
(dump the table of contents)

$ dumppdf.py -r -i6 foo.pdf > pic.jpeg
(extract a JPEG image)

Answer 3

或者，您可以使用MuPDF，它是一个非常轻量级但完整的 PDF 实现，用 C 语言编写。在apps/ 子目录中，您会找到一些可以查看、转储和提取 PDF 文件信息的工具。我更喜欢 MuPDF 而不是 xpdf，因为它得到积极维护并且有更好的 PDF 支持。

否则，总是有 Poppler 实际上基于 xpdf。开发人员将其代码移植到 C++。因此，它的性能比其前身差。与 MuPDF 相比，Poppler 似乎功能稍多一些，但反过来代码要复杂得多。

不过，出于您的目的，MuPDF 应该就足够了。您可以根据apps/ 中提供的示例代码编写一个简单的应用程序，它可以提取您需要的所有信息，而无需依赖外部应用程序。

Answer 4

我尝试了dump.pdf -T，但它不适用于某些 PDF 文件。

我刚刚找到了来自 MuPDF 的另一个名为 mutool 的工具。我不知道这是否比 dump.pdf 更好，但处理 PDF 文件 dump.pdf 会引发错误。

以下是使用 mutool 提取 TOC 的方法

mutool show {your-pdf-file} outline

MuPDF