5

pyPdf を使用して、アウトラインに基づいて PDF ファイルを分割し、アウトラインの各宛先が PDF 内の異なるページを参照するようにしたいと考えています。

概要の例:

メイン --> 1 ページを指す
  宗派 1 --> 1 ページを指す
  宗派 2 --> 15 ページを指します
  宗派3 --> 22ページを指す

pyPdf 内では、ドキュメントの各ページまたはドキュメントのアウトラインの各宛先を反復するのは簡単です。ただし、宛先が指しているページ番号を取得する方法がわかりません。

アウトラインの各宛先の参照ページ番号を見つける方法を知っている人はいますか?

4

4 に答える 4

9

私はそれを考え出した：

class Darrell(pyPdf.PdfFileReader):

    def getDestinationPageNumbers(self):
        def _setup_outline_page_ids(outline, _result=None):
            if _result is None:
                _result = {}
            for obj in outline:
                if isinstance(obj, pyPdf.pdf.Destination):
                    _result[(id(obj), obj.title)] = obj.page.idnum
                elif isinstance(obj, list):
                    _setup_outline_page_ids(obj, _result)
            return _result

        def _setup_page_id_to_num(pages=None, _result=None, _num_pages=None):
            if _result is None:
                _result = {}
            if pages is None:
                _num_pages = []
                pages = self.trailer["/Root"].getObject()["/Pages"].getObject()
            t = pages["/Type"]
            if t == "/Pages":
                for page in pages["/Kids"]:
                    _result[page.idnum] = len(_num_pages)
                    _setup_page_id_to_num(page.getObject(), _result, _num_pages)
            elif t == "/Page":
                _num_pages.append(1)
            return _result

        outline_page_ids = _setup_outline_page_ids(self.getOutlines())
        page_id_to_page_numbers = _setup_page_id_to_num()

        result = {}
        for (_, title), page_idnum in outline_page_ids.iteritems():
            result[title] = page_id_to_page_numbers.get(page_idnum, '???')
        return result

pdf = Darrell(open(PATH-TO-PDF, 'rb'))
template = '%-5s  %s'
print template % ('page', 'title')
for p,t in sorted([(v,k) for k,v in pdf.getDestinationPageNumbers().iteritems()]):
    print template % (p+1,t)
于 2009-12-17T22:10:06.880 に答える
0

ダレルのクラスを少し変更して、pdfのマルチレベルの目次を作成することができます（pdftkツールキットのpdftocの方法で）。

私の変更により、_setup_page_id_to_numにもう1つのパラメーターが追加されます。これは、デフォルトが1の整数の「レベル」です。呼び出しごとにレベルが増加します。結果にページ番号だけを保存するのではなく、ページ番号とレベルのペアを保存します。返された結果を使用するときは、適切な変更を適用する必要があります。

私はこれを使用して、LaTeXセクション、サブセクションなどのブックマークを反映するサイドバーの目次を備えた「PDFHacks」ブラウザベースのページアットアタイムドキュメントビューアを実装しています。pdftkはインストールできませんが、pythonは利用できる共有システムで作業しています。

于 2011-06-01T14:22:03.957 に答える
0

これこそが私が探していたものです。Darrell の PdfFileReader への追加は、PyPDF2 の一部である必要があります。

PyPDF2 と sejda-console を使用して PDF をブックマークで分割する簡単なレシピを書きました。私の場合、まとめておきたいレベル 1 セクションがいくつかあります。このスクリプトを使用すると、結果のファイルに意味のある名前を付けることができます。

import operator
import os
import subprocess
import sys
import time

import PyPDF2 as pyPdf

# need to have sejda-console installed
# change this to point to your installation
sejda = 'C:\\sejda-console-1.0.0.M2\\bin\\sejda-console.bat'

class Darrell(pyPdf.PdfFileReader):
    ...

if __name__ == '__main__':
    t0= time.time()

    # get the name of the file to split as a command line arg
    pdfname = sys.argv[1]

    # open up the pdf
    pdf = Darrell(open(pdfname, 'rb'))

    # build list of (pagenumbers, newFileNames)
    splitlist = [(1,'FrontMatter')] # Customize name of first section

    template = '%-5s  %s'
    print template % ('Page', 'Title')
    print '-'*72
    for t,p in sorted(pdf.getDestinationPageNumbers().iteritems(),
                      key=operator.itemgetter(1)):

        # Customize this to get it to split where you want
        if t.startswith('Chapter') or \
           t.startswith('Preface') or \
           t.startswith('References'):

            print template % (p+1, t)

            # this customizes how files are renamed
            new = t.replace('Chapter ', 'Chapter')\
                   .replace(':  ', '-')\
                   .replace(': ', '-')\
                   .replace(' ', '_')
            splitlist.append((p+1, new))

    # call sejda tools and split document
    call = sejda
    call += ' splitbypages'
    call += ' -f "%s"'%pdfname
    call += ' -o ./'
    call += ' -n '
    call += ' '.join([str(p) for p,t in splitlist[1:]])
    print '\n', call
    subprocess.call(call)
    print '\nsejda-console has completed.\n\n'

    # rename the split files
    for p,t in splitlist:
        old ='./%i_'%p + pdfname
        new = './' + t + '.pdf'
        print 'renaming "%s"\n      to "%s"...'%(old, new),

        try:
            os.remove(new)
        except OSError:
            pass

        try:
            os.rename(old, new)
            print' succeeded.\n'
        except:
            print' failed.\n'

    print '\ndone. Spliting took %.2f seconds'%(time.time() - t0)
于 2013-12-11T02:18:15.623 に答える