Python 实现给 pdf 文件自动识别标题并增添大纲

一、背景：

客户方提供过来一个开放平台的pdf文档，文档里有几十个接口，没有大纲和目录可以定位到具体内容，了解整体的API功能，观看体验极度差劲，所以想使用Python代码自动解析pdf文档，给文档增添大纲内容，便于观看和理解。

二、实现思路：

1、可行性调研

• pdf文档是文本格式的，而非扫描图像，所以可以拿到具体的文本内容。
• 内容格式整体比较整齐，标题有特定的格式可以识别。

2、技术细节

• 使用pyPDF2和pdfplumber类库来实现pdf的解析。
• 根据章节标题的格式，编写正则表达式进行匹配
• 记录识别结果到csv文件中，方便比对和删除多余的标题内容。
• 使用pyPDF2来添加书签，生成新的PDF大纲。

三、代码

1、详细python代码

import csv

import pdfplumber
import re
from PyPDF2 import PdfReader, PdfWriter

# TODO PDF文件路径
pdf_path = 'C:\\Users\\admin\\Desktop\\use_book.pdf'  # 更改为您的PDF文件路径
output_pdf_path = '.\output_use_book_with_bookmarks.pdf'  # 输出文件的路径
# 保存目录信息的CSV文件路径
csv_path = 'titles.csv'


# 检测是否为标