本文档旨在提供一个使用PyMuPDF库，根据指定的页码范围分割PDF文件，并保留或重建分割后PDF文件的目录（table of Contents, TOC）的详细教程。我们将深入探讨PyMuPDF库提供的get_toc()和set_toc()方法，并提供相应的代码示例，帮助读者理解如何正确处理和更新PDF目录结构，以确保分割后的PDF文件仍然具有完整的导航功能。
PDF分割与目录保留：PyMuPDF实战指南
PyMuPDF（也称为fitz）是一个强大的python库，用于处理PDF文档。它提供了丰富的功能，包括读取、创建、修改和提取PDF内容。本文将重点介绍如何使用PyMuPDF分割PDF文档，并确保分割后的文档保留原有的目录结构。
获取PDF目录
首先，我们需要从原始PDF文档中提取目录信息。PyMuPDF提供了Document.get_toc()方法，可以轻松获取PDF的目录。
import fitz def get_pdf_toc(input_pdf_path): """ 从PDF文件中提取目录信息。 Args: input_pdf_path (str): 输入PDF文件的路径。 Returns: list: 目录列表，每个条目是一个包含层级、标题和页码的子列表。 """ pdf_document = fitz.open(input_pdf_path) toc = pdf_document.get_toc() pdf_document.close() return toc # 示例用法 input_pdf_path = "input.pdf" toc = get_pdf_toc(input_pdf_path) print(toc)
get_toc()方法返回一个列表，其中每个元素都是一个包含目录条目信息的子列表。每个子列表的格式为[level, title, page]，其中：
- level：目录条目的层级，表示目录的嵌套关系。
- title：目录条目的标题。
- page：目录条目对应的页码（注意：页码从1开始计数）。
分割PDF并更新目录
在分割PDF文档时，我们需要根据分割的页码范围，调整目录条目的页码，并将调整后的目录信息添加到新的PDF文档中。
import fitz def split_pdf_with_toc(input_pdf_path, output_folder, page_ranges): """ 分割PDF文件，并为每个分割后的文件添加对应的目录。 Args: input_pdf_path (str): 输入PDF文件的路径。 output_folder (str): 输出文件夹的路径。 page_ranges (list): 一个包含页码范围元组的列表，例如 [(1, 10), (11, 20)]。 """ pdf_document = fitz.open(input_pdf_path) original_toc = pdf_document.get_toc() for i, (start_page, end_page) in enumerate(page_ranges, start=1): # 创建一个新的PDF文档 chapter_pdf = fitz.open() chapter_pdf.insert_pdf(pdf_document, from_page=start_page - 1, to_page=end_page - 1) # PyMuPDF 页码从0开始 # 调整目录条目的页码 adjusted_toc = [] for level, title, page in original_toc: if start_page <= page <= end_page: adjusted_page = page - start_page + 1 # 调整后的页码 adjusted_toc.append([level, title, adjusted_page]) # 确保目录结构符合PyMuPDF的要求 if adjusted_toc: if adjusted_toc[0][0] != 1: # 添加虚拟目录条目 first_level = adjusted_toc[0][0] for j in range(1, first_level): adjusted_toc.insert(0,[j, "dummy", 1]) # 设置新的目录 chapter_pdf.set_toc(adjusted_toc) # 保存新的PDF文档 output_pdf_path = f"{output_folder}/Chapter_{i}.pdf" chapter_pdf.save(output_pdf_path) chapter_pdf.close() pdf_document.close() # 示例用法 input_pdf_path = "input.pdf" output_folder = "output" page_ranges = [(1, 10), (11, 20), (21,30)] split_pdf_with_toc(input_pdf_path, output_folder, page_ranges)
代码解释：
- 获取原始目录： 使用pdf_document.get_toc()获取原始PDF文档的目录。
- 循环处理每个页码范围： 遍历page_ranges列表，为每个页码范围创建一个新的PDF文档。
- 插入页面： 使用chapter_pdf.insert_pdf()将指定范围的页面从原始PDF复制到新的PDF文档中。注意： PyMuPDF的页码从0开始计数，所以from_page和to_page需要减1。
- 调整目录页码： 遍历原始目录，只保留在新页码范围内的条目，并调整它们的页码。
- 处理目录结构： 检查调整后的目录的第一个条目的层级是否为1。如果不是，则插入虚拟目录条目，以满足PyMuPDF对目录结构的强制要求。
- 设置新目录： 使用chapter_pdf.set_toc()将调整后的目录设置到新的PDF文档中。
- 保存新文档： 将新的PDF文档保存到指定的输出文件夹中。
目录结构注意事项
PyMuPDF对目录结构有严格的要求：
- 第一个目录条目的层级必须为1。
- 后续条目的层级只能与前一个条目相同，或者比前一个条目高1级，或者小于前一个条目。
如果目录结构不符合这些要求，set_toc()方法可能会失败，或者导致目录显示不正确。因此，在设置目录之前，务必检查并调整目录结构。
总结
本文介绍了如何使用PyMuPDF库分割PDF文档，并保留或重建分割后PDF文件的目录。通过get_toc()和set_toc()方法，我们可以轻松地提取、修改和设置PDF目录。在实际应用中，需要根据具体情况调整代码，例如处理更复杂的目录结构，或者优化分割算法。希望本文能够帮助读者更好地理解和使用PyMuPDF库。
评论（已关闭）
评论已关闭