用正则+PdgCntEditor给扫描电子书添加目录

最近看一些扫描的考研电子书，经常需要翻看不同的章节，但是很多电子书没有目录，看的非常难受。所以就从网上找了一些生成电子书目录的方法。

一、使用的软件和方法

方法是对图书的目录页先进行ocr识别（具体可以用wps，或者adobe的软件等等），然后放到pdgcnteditor这个软件中，使用一些方法把它转换成相应的格式。熟练正则查找和替换的操作起来就非常方便了。对应的格式也很直观，首先是删除全部的tab符号，然后第一级目录顶格，而后每一级目录都在前面添加一个tab符，最后页码的数字前面加一个tab符即可。

最终效果

二、使用演示

1.这是第一种书，目录页的排版是竖向一栏

（1）先把目录的文字搞出来。

这是wps ocr的结果

 

 上面是粘贴到vscode后的结果，可以看到，使用ocr识别，可以把页面中的所有文字都识别出来，但是排列顺序会出现问题，而且有些没有必要识别的文字也会添加进去。但是复制的时候，又不方便一个一个选取需要的文字，这样又会让操作变得麻烦。所以使用ocr直接识别的结果就能使用的情况是很少的。

 这是用pandaocr识别的结果，可以看见识别结果还是很不错的。

 这是abbyy的识别结果。

 这是wps的编辑图片，然后识别本页的结果。这次的效果还行。在上面的这个图里，要想选中所有目录文字，可以先把最大的那个红框选中删除，然后拖动选择目标的文字框即可。

（2）

上一步其实就是用各种方法把目录的图片识别成文字，而且只要目录信息和页数是对的就可以了。如果能从出版社，电商平台，图书馆联盟等等其他地方直接找到图书的目录信息，那更方便，需要修改的地方更少。

接下来的这一步就是使用正则把这些目录信息修改成对应的格式。

首先是正则表达式的语法规则，还有正则替换和对应的规则。

 可以看一下我写的这篇文章，正则表达式规则——写正则式_正则式和正则表达式_zsq_csh1的博客-CSDN博客一、读：1.字符分类：（1）特殊字符：即单个出现时，先遵循特殊含义特殊字符说明$匹配一行的结尾。要匹配 $ 字符本身，请使用\$^匹配一行的开头。要匹配 ^ 字符本身，请使用\^()标记子表达式的开始和结束位置。要匹配这些字符，请使用\(和\)[]用于确定中括号表达式的开始和结束位置https://blog.csdn.net/zsq_csh1/article/details/120449745?spm=1001.2014.3001.5501也可以看pdgcnteditor软件附带的使用说明，里面更详细地介绍了正则表达式的语法。

下面是一些常见的应用。注意，正则表达式会让所有符合规则的地方都被处理，而有些实际上并不是希望处理的，所以还需要手动调整。

1）去掉所有的换行符，左右括号，还有tab符，

 

2）在所有的页码后面添加换行符

解释：下面的替换一栏里，$&表示上面匹配到的每一个匹配项的原字符串

&1，&2，......，&9，表示上面的模式串匹配到的每一个字符串中第i个被括号括起来的部分匹配到的部分

3）把长串的……还有中间的杂字符全部替换成一个tab符号，这个长串的……可能是中文的省略号（shift+6），也可能是中文的·号（tab上面的），也可能是英文的.号

 

 4）在第一章，第一节，第一部分，等等类似结构之前/之后添加空格/tab控制缩进

 

 （3）在pdgcnteditor中给pdf添加目录

打开pdgcnteditor

 拖入pdf文件，粘贴已格式化过的目录文字，格式要求就三点，目录分级用tab分开，页码之前用tab分开，然后其余地方没有多于的tab符号  

 选中全文，点这个正负号增减页码对应的页数

最后ctrl+s保存，打开pdf检查。

 

 然后再用wps简单修改一下目录中有错误的部分，ctrl+s保存即可。