PDF电子书制作书签目录全过程

所需软件

以下两款软件都很容易找到。

FreePic2Pdf

用于存取PDF的书签，我们做好目录后，用该软件把目录存入PDF中。

Notepad++

一款功能强大的文本编辑器，这里我们主要用到它的正则表达式替换功能。用其他有相同功能的编辑器也可以。
也可以使用VS Code。

实现思路

首先我们要获得目录的文字，如果是文字版PDF，那直接复制粘贴皆可；如果是扫描版的PDF，则先从PDF中取出目录，再使用OCR把图片装换成文字。然后，我们要把文字转换为特定的格式，它才可以被当成书签目录使用。最后使用FreePic2Pdf把目录存入PDF，就大功告成了！

第一步 检查PDF页面序号是否正确

使用Adobe Acrobat 等PDF软件打开组织页面，确认目录的页码是否和正文的序号匹配，如果不是，先选择正文前面的页面，换一个新的序号，使得正文序号和目录保持一致。若不进行修改，目录即使制作出来也无法跳转到对应页面。

第二步 从PDF中取出目录

1. 首先我们使用FreePic2Pdf取出PDF的标签，操作如下图：
   
   取出完成后，默认状态下，PDF文件的同目录下会生成一个与PDF文件同名的目录，里面存放了我们刚刚生成的标签文件，其中FreePic2Pdf_bkmk.txt文件就是我们取出的标签文字，我们待会要把做好的目录保存到这里面去。

2. 对于文字版PDF，直接打开把目录部分复制到FreePic2Pdf_bkmk.txt即可。

3. 对于扫描版PDF，首先我们要取出目录部分。可使用PDF软件或者该网站把目录部分保存为一个独立的PDF文件或者几张图片，再使用OCR软件或者在线OCR网站得到目录文字。
   注：最近搜狗输入法上线了智能助手，也有OCR功能，识别率非常不错。可以用它比较方便的识别，就免去处理图片的麻烦。
   
   
   用上面的OCR往往是文字和页码在拆开在两行，这时可以用python代码把它们处理一下：
   将文本放在D://data.txt中，使用VScode运行，就可以得到文字和页码在一行的结果，有问题及时修改即可

with open( 'D://data.txt', 'r' , encoding='utf-8') as f:
    i=0
    string=""
    for line in f.readlines():
        line=line.strip()
        if(i%2==0):
            string = line
        else:
            string=string+'\t'+line
            print(string)
        i=i+1


        

第三步 使用正则表达式匹配目录格式

得到目录文字后，我们需要将其变成特定的格式才可以被识别成书签目录。
格式：每个制表符为一个层次，每行后面加一个制表符再加上页码

第一章 AAA
	1.1 AAA	1
		1.1.1 AAA	3
		1.1.2 AAA	5
	1.2 AAA	6
	1.2 AAA	8

我们拿到的目录文字一般是这样的

第一章 AAA
1.1AAA........................................................1
1.1.1 AAA........................................................3
1.1.2 AAA........................................................5
1.2 AAA........................................................6
1.2AAA........................................................8

如果是OCR识别出来的文字，往往不可能全部都识别对，要对文字内容进行对照，改成正确的，特别是X.X.X(X为数字)的格式的.有可能识别成了其他符号

接下来我们使用Notepad++的正则表达式替换得到目的格式，用Notepad++打开FreePic2Pdf_bkmk.txt，按Ctrl+H打开替换窗口，把选中模式改为正则表达式，替换时建议使用替换，而不是全部替换，万一出现意外可以及时发现，不过出现了也就按Ctrl+Z撤回就是了。

1. 去除多余的符号

查找内容：

^(\d+(\.\d+)+)\s*([\u4e00-\u9fa5a-zA-Z0-9]*)([^\u4e00-\u9fa5a-zA-Z0-9]*)(\d+)$

替换内容：

$1 $3\t$5

说明:

正则表达式	含义	备注
^(\d+(.\d+)+)	匹配开头为X.X.X字符串(X为整数)	要是匹配第X章,则改成 (第\d+章) 。
\s*	匹配0或多个空格字符	有时识别的结果会多一些空格
([\u4e00-\u9fa5a-zA-Z0-9]*)	匹配标题内容(包含了中文大小写英文字母和数字)	如果标题中含有符号,要往中括号里面添加上这个符号,不然会识别错误。如添加空格和-号和、号，改成([\u4e00-\u9fa5a-zA-Z0-9’ '-\、]*)，有一些符号需要转义，在前面加\
([^\u4e00-\u9fa5a-zA-Z0-9]*)	匹配页码和标题间的各种符号(除了中文大小写英文字母和数字外的字符)
(\d+)	匹配页码
$	匹配结尾
$1	代表了上面匹配到的正则表达式中第一个()括起来的值	$3和$5依次类推
\t	代表了一个制表符

经过这层处理,得到的目录应该类似下面这样:

第一章 AAA
1.1 AAA	1
1.1.1 AAA	3
1.1.2 AAA	5
1.2 AAA	6
1.2 AAA	8

2. 添加层次
   这一步我们按照要求在前面添加制表符。如下操作

第一步
查找内容：

^(\d+\.\d+\s)

替换内容：

\t$1

第二步
查找内容：

^(\d+\.\d+\.\d+\s)

替换内容：

\t\t$1 

如果层次还要继续划分，可以照着添加替换，每多一层，则多一个\t。
正常来说，完成这一步格式就已经符合要求了。

第四步 把书签目录存入PDF文件中

打开FreePic2Pdf挂上PDF标签，操作如下图：

出现编辑成功提示则说明你的PDF目录已经制作好了，赶紧打开看看吧！
如果出现失败，有可能是文件被占用了，关闭相关软件重试看看。