纯 C#实现+AOT 打造的智能PDF目录提取工具 PdfTocExtractor

PdfTocExtractor 是一个纯 C# AOT 实现的轻量级PDF目录提取工具，用于从PDF文件中提取目录（TOC）并导出为多种格式。支持Markdown、JSON、XML、纯文本等格式，完全摆脱命令行依赖，无需额外的PDF处理工具，适合在 .NET 项目中内嵌、分发或集成自动化流程中使用。

通过PdfTocExtractor，您可以轻松从PDF文档中提取书签和目录结构，生成清晰的导航文档。v2.0新增的语义分析功能让您即使在PDF没有嵌入书签的情况下，也能通过基于NLP的智能分析自动识别章节标题，完美适用于文档处理、内容分析和自动化工作流。

🚀 跨平台、零依赖、极速提取，一切尽在 PdfTocExtractor！

✨ 功能特点

📖 从PDF文件提取书签/目录信息
🧠 语义分析功能：基于NLP的智能章节标题识别，适用于无书签PDF
📄 支持多种输出格式：Markdown、JSON、XML、纯文本
🎯 可配置的导出选项（层级深度、页码格式等）
🔧 可扩展的导出器架构，支持自定义格式
⚡ 异步操作支持，高性能处理
🛠️ 提供命令行工具和NuGet包
🚀 支持AOT编译，原生性能无需.NET运行时
🌐 跨平台支持：Windows、Linux、macOS
🎛️ 多种分析模式：默认、严格、宽松模式可选

📄 支持的输出格式

Markdown (md, markdown) - 适合文档和网页显示，支持层级结构
JSON (json) - 适合程序处理和API集成，包含完整元数据
XML (xml) - 结构化数据交换，标准化格式
Text (txt, text) - 纯文本格式，简洁易读

使用方法

依然和其他工具一样

提供了 nuget 库和 dotnet tool 命令行工具

可以作为库引入使用，也可以在命令行使用

命令行

安装 CLI 工具

dotnet tool install --global PdfTocExtractor.Cli

命令行使用

# 🌟 智能提取（推荐）- 自动选择最佳方法
pdftoc smart document.pdf -o output.md

# 📖 提取PDF书签（传统方法）
pdftoc extract document.pdf -o output.md

# 🧠 语义分析（v2.0新功能 - 适用于无书签的PDF）
pdftoc semantic document.pdf -o output.md

# 指定输出格式
pdftoc smart document.pdf -o output.json -f json

# 设置最大层级深度
pdftoc smart document.pdf -o output.xml --max-depth 3

# 自定义标题和页码格式
pdftoc smart document.pdf -o output.txt --title "我的文档目录" --page-format "第 {0} 页"

# 语义分析 - 严格模式（更精确的标题识别）
pdftoc semantic document.pdf -o output.md --mode strict --confidence 0.7

# 语义分析 - 调试模式（查看分析过程）
pdftoc semantic document.pdf -o output.md --debug --verbose

# 结构分析 - 宽松模式（识别更多潜在标题）
pdftoc analyze document.pdf -o output.md --relaxed

# 结构分析 - 自定义参数
pdftoc analyze document.pdf -o output.md --min-font-size 14 --use-bold --debug

# 智能提取 - 带结构分析配置
pdftoc smart document.pdf -o output.md --analysis-preset strict --debug-analysis

# 显示详细输出
pdftoc smart document.pdf -o output.md --verbose

# 诊断PDF文件问题
pdftoc diagnose document.pdf

作为库使用

安装核心库

dotnet add package PdfTocExtractor

代码示例

using PdfTocExtractor;
using PdfTocExtractor.Exporters;
using PdfTocExtractor.Models;

// 创建提取器实例
var extractor = new PdfTocExtractor();

// 🌟 智能提取（推荐）- 自动选择最佳方法
var tocItems = await extractor.ExtractTocSmartAsync("document.pdf");

// 📖 传统方法：提取PDF书签
var bookmarkItems = await extractor.ExtractTocAsync("document.pdf");

// 🧠 结构分析：适用于无书签的PDF
var structureItems = await extractor.AnalyzeStructureAsync("document.pdf");

// 🧠 结构分析：使用自定义配置
var analysisOptions = new StructureAnalysisOptions
{
    MinFontSizeForHeading = 14f,
    UseBoldAsIndicator = true,
    MaxHeadingLevels = 4,
    RequireStandaloneHeadings = true,
    DebugMode = false
};
var customStructureItems = await extractor.AnalyzeStructureAsync("document.pdf", analysisOptions);

// 🧠 使用预设配置
var strictItems = await extractor.AnalyzeStructureAsync("document.pdf", StructureAnalysisOptions.Strict);
var relaxedItems = await extractor.AnalyzeStructureAsync("document.pdf", StructureAnalysisOptions.Relaxed);

// 导出为Markdown
await extractor.ExportToFileAsync(tocItems, "output.md", "markdown");

// 导出为JSON（带自定义选项）
var exportOptions = new ExportOptions
{
    MaxDepth = 3,
    IncludePageNumbers = true,
    CustomTitle = "文档目录"
};
await extractor.ExportToFileAsync(tocItems, "output.json", "json", exportOptions);

// 智能提取并直接导出
await extractor.ExtractSmartAndExportAsync("document.pdf", "output.xml",
    exportOptions: exportOptions,
    structureOptions: StructureAnalysisOptions.Default);

扩展性

可以通过实现 IExporter 接口来创建自定义导出器：

public class CustomExporter : IExporter
{
    public string FormatName => "Custom";
    public string FileExtension => "custom";

    public string Export(IEnumerable<TocItem> tocItems, ExportOptions? options = null)
    {
        // 实现自定义导出逻辑
        return"custom format content";
    }

    public async Task ExportToFileAsync(IEnumerable<TocItem> tocItems, string filePath, ExportOptions? options = null)
    {
        var content = Export(tocItems, options);
        await File.WriteAllTextAsync(filePath, content);
    }
}

// 注册自定义导出器
extractor.RegisterExporter("custom", new CustomExporter());

技术实现

PdfTocExtractor 使用以下技术：

.NET 9.0 - 现代化的.NET平台
iText 9.2.0 - 强大的PDF处理库
iText7.bouncy-castle-adapter 9.2.0 - 加密PDF支持（必需）
Newtonsoft.Json 13.0.3 - JSON序列化
System.CommandLine 2.0.0 - 命令行参数解析
AOT编译支持 - 原生性能，无需.NET运行时

TODO 计划

AI 增强功能

[ ] AI 目录识别 - 使用机器学习技术识别没有书签/大纲数据的PDF文档目录结构
- [ ] 集成 OCR 技术识别扫描版PDF中的目录页面
- [ ] 基于文本分析和格式识别的智能目录提取
- [ ] 支持多语言目录识别（中文、英文、日文等）
- [ ] 目录层级结构智能推断
- [ ] 页码与目录项的自动匹配算法

Web 服务接口

[ ] RESTful API 开发 - 提供基于 HTTP 的 Web API 服务
- [ ] PDF 文件上传接口
- [ ] 目录提取 API 端点
- [ ] 多格式导出 API（JSON、XML、Markdown等）
- [ ] 批量处理接口
- [ ] 任务状态查询接口
- [ ] API 文档和 Swagger 集成