提取pdf目录的方法

理论知识：http://stackoverflow.com/questions/4643489/how-do-i-retrieve-a-page-number-or-page-reference-for-an-outline-destination-in

原理就是：通过CGPDFDocumentGetCatalog方法可以获取pdf的元信息，这是一个类似Dictionary的结构，而目录信息就放在里面，需要自己解析出来。

在这里：https://github.com/below/PDF-Voyeur，有一个人写的开源项目，可以查看pdf的元信息，而我也是根据他的代码来找出pdf的目录的。

比如这本书：

用PDF-Voyeur打开之后看到的是这样的：

/Outlines这个节点代表的就是目录，点开Outlines之后会看到/First和/Last，这两个就是第一个和最后一个目录

而/First下面又包含/Next，所有的目录就像链表一样这样串联起来的。

在目录的节点下面可以看到title，就是目录的名字，但是要找到跳转的页数就不容易了。根据本文第一个链接里面的回答，目录索引的方式有3种（仅我所知道的，我相信肯定还有另外的方式）：

用/Dest来索引，Dest是一个array，这时候/Dest下面第一个对象就是page的对象。跟节点下面的pages对象包含的就是所有的page对象，代表每一页，把/Dest下面的page跟所有的page对比，用==判断，就可以找出页码。需要注意的是pages有的时候下面不直接包含page对象，而是像子目录一样包含了很多层级，需要判断节点的type是pages还是page。
用/Dest索引，但是Dest是一个name，这时候需要在根节点下面的/Dests里面找到对应名字的节点，然后从里面找到page对象，再用类型1里面的方法来找到页数
用/A来索引，这种情况跟第一个类似，只要在/D下面找到page对象就好了

Voyeur程序下载：Voyeur。(打开没有主界面，需要从菜单File来打开一个pdf文件)

Demo：https://github.com/phaibin/PDFContents

原文链接：http://phaibin.tk/2012/01/06/ti-qu-pdfmu-lu-de-fang-fa

提取pdf目录的方法相关推荐

python自动化提取pdf表格_[Python] 自动化办公多种提取PDF图片的方法
转载请注明:陈熹 chenx6542@foxmail.com (简书号:半为花间酒) 若公众号内转载请联系公众号:早起Python 这篇文章能学到的主要内容: 基于 fitz 库和正则搜索提取图片基 ...
三种方法，用Python轻松提取PDF中的全部图片
作者 | 陈熹.刘早起来源 | 早起Python 头图 | 下载于视觉中国有时我们需要将一份或者多份PDF文件中的图片提取出来,如果采取在线的网站实现的话又担心图片泄漏,手动操作又觉得麻烦,其实用 ...
三种方法，Python轻松提取PDF中全部图片
有时我们需要将一份或者多份PDF文件中的图片提取出来,如果采取在线的网站实现的话又担心图片泄漏,手动操作又觉得麻烦,其实用Python也可以轻松搞定! 今天就跟大家系统分享几种Python提取 PDF ...
PDFBox提取PDF信息
PDFBox提取PDF信息 gitee https://gitee.com/Grantr/the-encapsulation-of-pdfbox github https://github.com/G ...
实用脚本！Python 提取 PDF 指定内容生成新文件！
很多时候,我们并不会预知希望提取的页号,而是希望将包含指定内容的页面提取合并为新PDF,本文就以两个真实需求为例进行讲解. 01 需求描述数据是一份有286页的上市公司公开年报PDF,大致如下现在 ...
超级实用案例，Python 提取 PDF 指定内容生成新PDF
很多时候,我们并不会预知希望提取的页号,而是希望将包含指定内容的页面提取合并为新PDF,本文就以两个真实需求为例进行讲解. [注]资料.代码.技术交流,文末获取 01 需求描述数据是一份有286页的 ...
PDF文件页面可以怎么提取 PDF页面提取方法
说起PDF格式我们大概都知道,它作为我们常用的文档格式之一.我们平常将一些重要的文件保存为PDF的格式,但有时候我们对PDF文件里的页面进行提取这可能大部分人都不会,在这里我教给大家一个提取PDF文件 ...
python tabula 使用方法_Python使用Tabula提取PDF表格数据
今天遇到一个批量读取pdf文件中表格数据的需求,样式大体是以下这样: python读取PDF无非就是三种方式(我所了解的),pdfminer.pdf2htmlEX 和 Tabula.综合考虑后,选择了 ...
3个方法提取PDF文件里的图片
PDF文件可以保护文档内容不容易被更改,但也因为这样,有一些需求无法进行操作.比如PDF文件里的图片,不能通过另存为保存下来. 那如果想要提取PDF文件里的图片要如何操作呢?下面分享三个方法给大家. ...
提取pdf文件中文字的两种方法
如今,在我们的工作与学习中已经不是单单使用word.Excel等格式文件了,pdf格式的文件已经被广泛地运用到我们的办公室中.大家都知道pdf文件是不可直接编辑与修改的,使用起来有些不便.那么当我们需 ...

提取pdf目录的方法

提取pdf目录的方法相关推荐

最新文章

热门文章