提取目录
首先，我们需要从原始 pdf 文件中提取目录。pymupdf 提供了 document.get_toc() 方法来获取目录信息。目录信息以嵌套列表的形式返回，每个子列表代表一个目录项，包含层级、标题和页码。
import fitz
def extract_toc(input_pdf_path):
"""
从 PDF 文件中提取目录。
Args:
input_pdf_path (str): 输入 PDF 文件的路径。
Returns:
list: 目录列表，每个元素是一个包含层级、标题和页码的列表。
"""
pdf_document = fitz.open(input_pdf_path)
toc = pdf_document.get_toc()
pdf_document.close()
return toc分割 PDF 并调整目录
接下来，我们需要根据指定的页码范围分割 PDF 文件，并为每个分割后的文件调整目录。关键在于，分割后的每个 PDF 的目录必须符合 PyMuPDF 的目录规则：
- 第一个目录项的层级必须为 1。
- 后续目录项的层级只能与前一个目录项相同、高一级或低于前一个目录项。
def split_pdf_with_toc(input_pdf_path, output_folder, page_ranges):
"""
分割 PDF 文件并保留目录。
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): 页码范围列表，每个元素是一个包含起始页和结束页的元组。
"""
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):
# 创建新的 PDF 文件
chapter_pdf = fitz.open()
chapter_pdf.insert_pdf(pdf_document, from_page=start_page - 1, to_page=end_page - 1)
# 提取对应页码范围的目录
chapter_toc = []
for level, title, page in original_toc:
if start_page <= page <= end_page:
chapter_toc.append([level, title, page - start_page + 1]) # 页码需要重新计算
# 调整目录结构
if chapter_toc:
first_level = chapter_toc[0][0]
if first_level != 1:
for j in range(1, first_level):
chapter_toc.insert(0, [j, "dummy", 1])
# 设置目录
chapter_pdf.set_toc(chapter_toc)
# 保存新的 PDF 文件
output_pdf_path = f"{output_folder}/Chapter_{i}.pdf"
chapter_pdf.save(output_pdf_path)
chapter_pdf.close()
pdf_document.close()示例
以下是一个使用示例：
# 示例用法 input_pdf_path = "input.pdf" # 替换为你的输入 PDF 文件路径 output_folder = "output" # 替换为你的输出文件夹路径 page_ranges = [(1, 10), (11, 20), (21, 30)] # 定义页码范围 split_pdf_with_toc(input_pdf_path, output_folder, page_ranges)
在这个例子中，我们将 input.pdf 文件分割成三个部分，分别包含第 1-10 页、第 11-20 页和第 21-30 页。分割后的文件将保存在 output 文件夹中，文件名分别为 Chapter_1.pdf、Chapter_2.pdf 和 Chapter_3.pdf。每个分割后的 PDF 文件都将包含与其内容对应的目录。
注意事项
- 页码计算： 在调整目录时，需要重新计算分割后 PDF 文件的页码。
- 目录规则： 确保调整后的目录符合 PyMuPDF 的规则，否则可能导致目录显示不正确。
- 错误处理： 在实际应用中，应该添加适当的错误处理机制，例如处理文件不存在、页码范围无效等情况。
- 目录提取的准确性: 某些PDF可能存在目录结构复杂或不规范的情况，提取的目录可能不完全准确，需要根据实际情况进行调整。
总结
通过使用 PyMuPDF 库，我们可以方便地分割 PDF 文件并保留目录。关键在于理解 PyMuPDF 的目录规则，并根据这些规则调整分割后 PDF 文件的目录结构。希望本教程能够帮助你更好地处理 PDF 文件。
