개요에있는 각 대상이 PDF의 다른 페이지를 참조하는 개요를 기반으로 PDF 파일을 분할하려면 pyPdf를 사용하고 싶습니다.개요를 기준으로 PDF를 분할
예 개요 :
main --> points to page 1
sect1 --> points to page 1
sect2 --> points to page 15
sect3 --> points to page 22
는 문서 또는 문서의 개요에 각 대상의 각 페이지를 반복하는 pyPdf 내에서 쉽게; 그러나, 나는 목적지가 가리키는 페이지 번호를 얻는 방법을 알아낼 수 없다.
누구나 개요의 각 대상에 대한 참조 페이지 번호를 찾는 방법을 알고 있습니까?
내가 그것을 알아 냈 :
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)
대럴의 클래스는 PDF 파일에 대한 내용의 멀티 레벨 테이블을 생산하기 위해 약간 수정 될 수
합니다 (pdftk 툴킷에 pdftoc의 방식으로). 내 수정은 _setup_page_id_to_num에 하나 이상의 매개 변수를 추가합니다. 정수는 "level"이며 기본값은 1입니다. 각 호출은 레벨을 증가시킵니다. 결과에 페이지 번호 만 저장하는 대신 페이지 번호와 레벨 쌍을 저장합니다. 반환 된 결과를 사용할 때는 적절한 수정을해야합니다.
저는 LaTeX 섹션, 하위 섹션 등의 책갈피를 반영하는 사이드 바 목차가있는 "PDF 해킹"브라우저 기반 페이지 단위 문서 뷰어를 구현하는 데이 도구를 사용하고 있습니다. pdftk를 설치할 수 없지만 python을 사용할 수있는 공유 시스템에서 일하고 있습니다.
이것은 내가 찾고있는 것입니다. Darrell이 PdfFileReader에 추가 한 내용은 PyPDF2의 일부 여야합니다.
북마크로 PDF를 분할하기 위해 PyPDF2와 sejda-console을 사용하는 약간의 레시피를 작성했습니다. 제 경우에는 여러 레벨 1 섹션들이 있습니다. 이 스크립트를 사용하여 결과 파일에 의미있는 이름을 부여 할 수 있습니다. 댓글 읽기 어려울 수 때문에 @darrell 클래스에
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)
작은 업데이트는 내가 대답으로 게시 UTF-8 윤곽을 구문 분석 할 수 있습니다.
pyPdf.generic.TextStringObjectpyPdf.generic.ByteStringObject너무 _setup_outline_page_ids() 함수로부터의 출력이 실패 title 오브젝트에도 두 종류의 반환
문제는 두 가지 종류로 반환 될 수 pyPdf.pdf.Destination.title에 윤곽선 제목에 ASCII가 포함되어 있으면 ASCII 다음에 UnicodeDecodeError이 표시됩니다. 전체 클래스의
if isinstance(title, pyPdf.generic.TextStringObject):
title = title.encode('utf-8')
:
class PdfOutline(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():
if isinstance(title, pyPdf.generic.TextStringObject):
title = title.encode('utf-8')
result[title] = page_id_to_page_numbers.get(page_idnum, '???')
return result