读取 PDF 文档中的所有书签，并使用书签的页码和标题创建字典

我尝试使用 Python 和 PyPDF2 包来阅读 PDF 文档。目标是读取pdf中的所有书签，并构建一个以书签页码为键、书签标题为值的字典。

互联网上没有太多关于如何实现它的支持，除了this文章。其中发布的代码不起作用，我不是 python 专家来纠正它。 PyPDF2 的阅读器对象有一个名为outlines它为您提供了所有书签对象的列表，但没有书签的页码，并且遍历该列表并不困难，因为书签之间没有父/子关系。

我在下面分享我的代码来阅读 pdf 文档并检查outlines财产。

import PyPDF2

reader = PyPDF2.PdfFileReader('SomeDocument.pdf')

print(reader.numPages)
print(reader.outlines[1][1])

通过使列表彼此嵌套来保留父/子关系。此示例代码将以缩进的目录形式递归显示书签：

import PyPDF2


def show_tree(bookmark_list, indent=0):
    for item in bookmark_list:
        if isinstance(item, list):
            # recursive call with increased indentation
            show_tree(item, indent + 4)
        else:
            print(" " * indent + item.title)


reader = PyPDF2.PdfFileReader("[your filename]")

show_tree(reader.getOutlines())

我不知道如何检索页码。我尝试了一些文件，并且page的属性Destination对象始终是一个实例IndirectObject，其中似乎不包含任何有关页码的信息。

UPDATE:

有一个获取目标页码从中获取页码的方法Destination对象。修改代码以创建您想要的字典：

import PyPDF2


def bookmark_dict(bookmark_list):
    result = {}
    for item in bookmark_list:
        if isinstance(item, list):
            # recursive call
            result.update(bookmark_dict(item))
        else:
            result[reader.getDestinationPageNumber(item)] = item.title
    return result


reader = PyPDF2.PdfFileReader("[your filename]")

print(bookmark_dict(reader.getOutlines()))

但是，请注意，如果同一页面上有多个书签（字典键必须是唯一的），您将覆盖并丢失一些值。