使用 python 从 PDF 获取目录答案

【问题标题】：GET table of contents from a PDF with python使用 python 从 PDF 获取目录
【发布时间】：2020-11-05 15:16:17
【问题描述】：

我正在尝试从 PDF 中获取目录。我为此目的使用 PyMuPDF。但仅当 PDF 包含书签时，它才会提取 ToC。否则它只会导致一个空列表。

def get_Table_Of_Contents(doc):
    toc = doc.getToC()
    return toc
toc= get_Table_Of_Contents(file)
toc

【问题讨论】：

我也面临同样的情况。如果 PDF 不包含书签，您是否找到任何提取 ToC 的方法

标签： python pdf text nlp pymupdf

【解决方案1】：

使用 pdf-html 转换器将 pdf 转换为 html。您可以使用 beautifulsoup 之类的解析器解析 html 以提取您想要的任何数据。

【讨论】：

【解决方案2】：

通常 TOC 表示为页面上的常规文本。

尝试pdfreader 提取文本和/或PDF“markdown”。

这是从页面中提取所有上述内容的示例代码：

from pdfreader import SimplePDFViewer, PageDoesNotExist

fd = open(your_pdf_file_name, "rb")
viewer = SimplePDFViewer(fd)

# navigate to TOC
viewer.navigate(toc_page_number)

viewer.render()
pdf_markdown = viewer.canvas.text_content
plain_text = "".join(viewer.canvas.strings)

然后您可以将plain_text 或pdf_markdown 解析为常规字符串。

【讨论】：