批量自动化生成PDF目录标签

 所需软件:

1. FreePic2Pdf(网上很容易找到)

2. python3

3. 天若OCR

官网:http://tianruoocr.cn/

搜狗OCR配置:https://tianruoocr.cn/interface/Txt_sougou.html

免费版调用的是百度的OCR,对于这种目录的识别效果不好,经过尝试发现只有搜狗的效果是最好的,所以如果有需要还是购买专业版,然后配置搜狗的OCR

 

实现方法:

1. 提取书签内容文本

 

 

许多英文书籍PDF的文字是可以直接复制粘贴的,这种情况比较好处理,直接复制出来,暂时保存到文本中。

如果为扫描版PDF,则可以用上面提供的天若OCR进行识别,然后提取文字内容,识别率挺高,不算太麻烦。

最后得到目录内容:

 

如果是用OCR软件识别的内容,有时候会有一些多余的符号,影响下面python脚本的运行,最常见的是:

1)目录出现换行,导致该行最后一个字符不是数字,脚本无法正确运行,会报错;

2)行末的数字前出现一些多余符号,也会影响脚本运行,一个个手动修改太麻烦,可以在VScode里用vim批量操作。如:

 上面输入的替换命令为:

%s/…/ /g

用vim里:模式下的替换命令,上面表示把…全部替换成空格。注意VScode里的vim插件可以在替换命令里粘贴内容,但是我在terminal的vim里似乎不行,有些字符奇怪字符有时候不知道怎么打,可以直接粘贴过去。

%s/(待替换内容)/(替换内容)/g

 

 

2. 在同一工作目录下运行如下python脚本

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
'''
@Author: Yin Weijie
@Date: 2018.5.25
@Description:
替换页码
@Revised Date: 2019.3.7
@Description:
在次级目录前加tab
'''

fin = open("aa.txt", "r")
fout = open("bb.txt", "w")

for each_line in fin:
    list = each_line.split()
    for i in range(len(list) - 1): #倒数第一个元素是数字,先不放
        if (list[i] == '.'):
            continue
        # 这里章数默认不超过两位数
        if ((len(list[i]) > 1 and list[i][1] == '.') or (len(list[i]) > 2 and list[i][2] == '.')):
            fout.write('\t')
        fout.write(list[i])
        fout.write(' ')
        # print(list[i])
    fout.write('\t')
    num = int(list[-1]) + 0 #单独处理倒数第一个数字
    fout.write(str(num))

    fout.write("\n")

fin.close()
fout.close()

 

 

得到文件bb.txt的内容:

 

这里实际上就是做一个文本替换,为后面FreePic2Pdf使用作准备。因为FreePic2Pdf只能识别固定格式的书签内容,主要有如下几方面需要修改:

1)页码是PDF中的绝对页码,通常需要加减一个差值,但是这个PDF的排版比较特殊,书中的页码内容和PDF绝对页码内容一致,否则上面python代码中

num = int(list[-1]) + 0 #单独处理倒数第一个数字

这一行加的数字应该是PDF绝对页码和书籍页码的差值。

2)页码数字和前面的文字之间应该是\tab,而不是空格。

3)每行行首也可以加\tab,表示次级目录。也可以加多个\tab增加更多目录层级,这里只做了一个次级目录。

 

3. 用FreePic2Pdf批量插入标签

 

会在该PDF文件所在目录生成一个新的目录,包含如下文件:

 

打开上面的txt文件,把之前生成的bb.txt中的内容贴进去,保存。然后再回到FreePic2Pdf软件:

 

经过上面操作,就能成功添加标签了。

 

posted @ 2018-05-28 15:30  JayYin  阅读(10442)  评论(4编辑  收藏