求一款能批量自动根据pdf内容固定标题重命名pdf文件名字的软件?

Question

土木工程

建筑土木

求一款能批量自动根据pdf内容固定标题重命名pdf文件名字的软件?

结构-竣工图（-图号-图名），固定这种模式图号图名根据每个pdf来命名，有批量的快捷方式吗？ [图片] [图片]

关注者

5

被浏览

10,244

登录后你可以

不限量看优质回答私信答主深度交流精彩内容一键收藏

查看全部 3 个回答

可以尝试结合多个程序来实现。

首先需要准备以下 3 个不同功能的程序：

OCR 程序：用于直接 PDF 截图中的文字
PDF 截取程序：用于从给定 Pdzf文件中截取指定区域的截图
文件重命名程序：根据前面程序的输出对 PDF 文件进行重命名

最终代码和演示效果在第四部分，不想看中间过程的话可以直接跳转过去。

一、OCR 程序

这里就以 tesseract 命令行工具为例：

它是谷歌开源的 Tesseract-OCR 引擎，支持对多种语言文字的 OCR（识别图像中的文字）。

安装方法：

支持 Windows、macOS、Linux 等多种操作系统

使用方法：

安装完成后，可以在命令行中直接调用 tesseract 命令来完成对特定图片中文字的识别：

tesseract [要识别的图片文件路径] - -l eng quiet

其中第一个参数 - 表示将识别结果直接显示在命令行里。

-l eng 参数指定了要识别的文字语言是英语。如果图片中同时包含多种语言（如中文和英文），则可以通过 -l eng+chi_sim 来指定以英文为主要识别语言、 简体中文 为次要识别语言。

末尾的 quiet 参数用于禁止程序执行时显示的一些中间日志，从而只会输出最终识别的文字。

执行 tesseract --list-langs 命令可以查看当前安装程序支持识别的所有语言。
部分语言关键词的含义：chi_sim 表示简体中文，chi_sim_vert 表示竖排的简体中文，chi_tra 和 chi_tra_vert 表示相应的繁体中文。

运行效果：

二、PDF 截取程序 ^[1]

这里以 pdftk 和 magick 两个命令行工具为例。

pdftk 只用于处理 PDF 文件存在多页的情况，下面会用此工具将 PDF 文件的特定页单独提取出来。
magick 用于从单页 PDF 文件中截取指定的区域，并保存为图片。
【可选】 pdftoppm 也可以用于实现从单页 PDF 文件中截取指定的区域，并保存为图片的功能。

安装方法：

使用方法：

安装完成后，可以在命令行中直接调用 pdftk 命令来提取 PDF 文件 Pies for Daily.pdf 的第一页并保存为新 PDF 文件 1st_page_percent_burned_pie.pdf 。如果要提取取其他页，只需要修改 cat 后面的数字即可。

如果提取的 PDF 页中文字方向旋转了 90 度，则可以将 cat 1 参数改为 cat 1right 或 cat 1left 来旋转整个 PDF 页，使得文字为正常方向。

pdftk "Pies for Daily.pdf" cat 1 output ~/Downloads/1st_page.pdf

接着，在命令行中调用 magick 命令来完成对 PDF 文件的指定区域的截图。

下面例子中 -crop 640x480+50+100 参数指定了截取图片区域大小为 宽640 × 高480 ，并且矩形区域到页面左边缘的距离为 50 ，到页面顶部的距离为 100 。 -density 200 参数指定了渲染 PDF 文件时采用的 DPI，数值越大清晰度越高，但相应的文件体积也越大。

magick -density 200 ~/Downloads/1st_page.pdf -crop 930x250+148+175 +repage ~/Downloads/1st_page_cropped.pdf
magick -density 600 ~/Downloads/1st_page_cropped.pdf -quality 100 -background white -alpha background -alpha off -colorspace RGB ~/Downloads/1st_page_cropped.png
# 【可选】以下命令实现的效果与上面等价
pdftoppm -singlefile -x 148 -y 175 -W 930 -H 250 -r 200 ~/Downloads/1st_page.pdf ~/Downloads/1st_page_cropped -png

【注】在安装好 magick 工具包之后，可以通过附带的 identify 命令来查看 PDF 文件的页面大小信息：
identify -format "%[pdf:HiResBoundingBox]" 1st_page.pdf
输出格式类似于： 595.32x841.92+0+0

需要注意的是，这里输出的数值是在默认 density 为 72×72 的情况下计算的，因此当我们手动指定新的 density（如 -density 200 ）时，需要将相应的 WxH+X+Y 格式串中的 W、H、X、Y 的数值乘以相应的倍数（如 200 / 72 ≈ 2.78 倍）。

确定要截取的 PDF 区域通常需要手动进行尝试和调整，也可以利用文末【附录】中的方法利用代码配合 PDF 标注功能来快速定位。

运行效果：

三、文件重命名程序

有了上一步 OCR 的识别结果，我们只需要将识别结果存放到临时变量中，然后利用系统自带的文件重命名命令就可以完成操作。

① Windows（PowerShell）

pdftk "\文件路径\要处理的文件名称.pdf" cat 1 output ~\Downloads\1st_page.pdf
magick -density 200 ~\Downloads\1st_page.pdf -crop 930x250+148+175 +repage ~\Downloads\1st_page_cropped1.pdf
magick -density 600 ~\Downloads\1st_page_cropped1.pdf -quality 100 -background white -alpha background -alpha off -colorspace RGB ~\Downloads\1st_page_cropped1.png
# 【可选】以下命令实现的效果与上面等价
pdftoppm -singlefile -x 148 -y 175 -W 930 -H 250 -r 200 ~\Downloads\1st_page.pdf ~\Downloads\1st_page_cropped1 -png
$name_ocr_result = $(tesseract ~\Downloads\1st_page_cropped1.png - -l chi_sim+eng quiet)
magick -density 200 ~\Downloads\1st_page.pdf -crop 430x180+190+200 +repage ~\Downloads\1st_page_cropped2.pdf
magick -density 600 ~\Downloads\1st_page_cropped2.pdf -quality 100 -background white -alpha background -alpha off -colorspace RGB ~\Downloads\1st_page_cropped2.png
# 【可选】以下命令实现的效果与上面等价
pdftoppm -singlefile -x 148 -y 175 -W 930 -H 250 -r 200 ~\Downloads\1st_page.pdf ~\Downloads\1st_page_cropped2 -png
$number_ocr_result = $(tesseract ~\Downloads\1st_page_cropped2.png - -l chi_sim+eng quiet)
# 替换不能作为文件名的字符\/:*?"<>|
$name_ocr_result = $name_ocr_result -Replace '[|\\/:*?"]', "_" -Replace "<", "(" -Replace ">", ")"
$number_ocr_result = $number_ocr_result -Replace '[|\\/:*?"]', "_" -Replace "<", "(" -Replace ">", ")"
Rename-Item -Path "\文件路径\要处理的文件名称.pdf" -NewName "结构-竣工图(-$number_ocr_result-$name_ocr_result).pdf"

② macOS / Linux（Bash）

pdftk "/文件路径/要处理的文件名称.pdf" cat 1 output ~/Downloads/1st_page.pdf
magick -density 200 ~/Downloads/1st_page.pdf -crop 930x250+148+175 +repage ~/Downloads/1st_page_cropped.pdf
magick -density 600 ~/Downloads/1st_page_cropped.pdf -quality 100 -background white -alpha background -alpha off -colorspace RGB ~/Downloads/1st_page_cropped1.png
# 【可选】以下命令实现的效果与上面等价
pdftoppm -singlefile -x 148 -y 175 -W 930 -H 250 -r 200 ~/Downloads/1st_page.pdf ~/Downloads/1st_page_cropped1 -png
name_ocr_result=$(tesseract ~/Downloads/1st_page_cropped1.png - -l chi_sim+eng quiet)
magick -density 200 ~/Downloads/1st_page.pdf -crop 430x180+190+200 +repage ~/Downloads/1st_page_cropped.pdf
magick -density 600 ~/Downloads/1st_page_cropped.pdf -quality 100 -background white -alpha background -alpha off -colorspace RGB ~/Downloads/1st_page_cropped2.png
# 【可选】以下命令实现的效果与上面等价
pdftoppm -singlefile -x 190 -y 200 -W 430 -H 180 -r 200 ~/Downloads/1st_page.pdf ~/Downloads/1st_page_cropped2 -png
number_ocr_result=$(tesseract ~/Downloads/1st_page_cropped2.png - -l chi_sim+eng quiet)
mv "/文件路径/要处理的文件名称.pdf" "/文件路径/结构-竣工图(-${number_ocr_result}-${name_ocr_result}).pdf"

四、合并三个程序，实现批量处理

最后，将上面针对单个 PDF 文件进行处理的脚本稍加修改，就能实现批量处理多个文件的效果。

【注】这里假设所有要处理的 PDF 文件中要截取的区域位置一致，否则无法直接批量处理。

① Windows (PowerShell)

【注】使用时需将第一行中的 ~\Desktop\tmp\pdfs 替换为包含所有要处理的 PDF 文件的目录所在路径。

这里跳过了 pdftk 提取单页 PDF 的步骤，因为示例中 PDF 文件只有一页。如需添加该操作，只需在 $prefix = $(Join-Path-Path $fdir-ChildPath $fname) 的下一行插入相应代码即可。

$rootdir = "~\Desktop\tmp\pdfs"
$items = Get-ChildItem -Recurse "*.pdf" -LiteralPath "$rootdir"
foreach ($item in $items)
    Write-Output $item.FullName
    $fdir = $item.DirectoryName
    $fname = $item.BaseName
    $prefix = $(Join-Path -Path $fdir -ChildPath $fname)
    pdftoppm -singlefile -x 4554 -y 4452 -W 1030 -H 190 -r 600 $item.FullName "$($prefix)_crop1" -png
    pdftoppm -singlefile -x 5813 -y 4323 -W 242 -H 105 -r 600 $item.FullName "$($prefix)_crop2" -png
    $name_ocr_result = $(tesseract "$($prefix)_crop1.png" - -l chi_sim+eng --psm 13 quiet)
    $number_ocr_result = $(tesseract "$($prefix)_crop2.png" - -l chi_sim+eng --psm 13 quiet)
    # 替换不能作为文件名的字符\/:*?"<>|
    $name_ocr_result = $name_ocr_result -Replace '[|\\/:*?"]', "_" -Replace "<", "(" -Replace ">", ")"
    $number_ocr_result = $number_ocr_result -Replace '[|\\/:*?"]', "_" -Replace "<", "(" -Replace ">", ")"
    # 第一种重命名方法，不可撤销
    Rename-Item -Path $item.FullName -NewName "结构-竣工图(-$number_ocr_result-$name_ocr_result).pdf"
    # 【可选】第二种重命名方法，支持 ctrl+Z 撤销
    $objShell = new-object -comobject "Shell.Application"
    $fileitem = $objShell.Namespace(0).ParseName($item.FullName)
    $fileitem.Name = "结构-竣工图(-$number_ocr_result-$name_ocr_result).pdf"
}

② macOS / Linux (Bash)

【注】使用时需将第一行中的 ~/Desktop/tmp/pdfs 替换为包含所有要处理的 PDF 文件的目录所在路径。

这里跳过了 pdftk 提取单页 PDF 的步骤，因为示例中 PDF 文件只有一页。如需添加该操作，只需在 fname=$(basename"$f" .pdf) 的下一行插入相应代码即可。

find ~/Desktop/tmp/pdfs -iname '*.pdf' | while read f; do
    echo "$f"
    fdir=$(dirname "$f")
    fname=$(basename "$f" .pdf)
    pdftoppm -singlefile -x 4554 -y 4452 -W 1030 -H 190 -r 600 "$f" "${fdir}/${fname}_crop1" -png
    pdftoppm -singlefile -x 5813 -y 4323 -W 242 -H 105 -r 600 "$f" "${fdir}/${fname}_crop2" -png
    name_ocr_result=$(tesseract "${fdir}/${fname}_crop1.png" - -l chi_sim+eng --psm 13 quiet)
    number_ocr_result=$(tesseract "${fdir}/${fname}_crop2.png" - -l chi_sim+eng --psm 13 quiet)
    mv "$f" "${fdir}/结构-竣工图(-${number_ocr_result}-${name_ocr_result}).pdf"
    rm "${fdir}/${fname}_crop1.png" "${fdir}/${fname}_crop2.png"
done

演示效果：

实际效果取决于多种因素（如采用的 OCR 引擎的准确率、PDF 文件的清晰度等），如果在你的测试中效果不佳，可以考虑换用更强的 OCR 程序，或者尝试改进 PDF 文件的质量。

附录：使用 Python 库来获取 PDF 文件中的矩形标注对应的位置坐标

【注】这里假设已经安装了 Python3 环境并安装 pikepdf 库

首先将下述代码保存为 PDFannotation.py 文件：

import sys
from distutils.version import LooseVersion
from pathlib import Path
from pikepdf import Pdf
if LooseVersion(sys.version) < "3.7":
    raise NotImplementedError("pikepdf requires Python 3.7+")
def getAnnotationInfo(pdf_path, page=0):
    if not Path(pdf_path).exists():
        return f"Error: No such file: {pdf_path}"
    with Pdf.open(pdf_path) as pdf:
        maxPages = len(pdf.pages)
        if page < 0 or page >= maxPages:
            return (
                f"Error: Invalid page number ({page}), "
                f"expected numbers between 0 and {maxPages - 1}"
        # check Section 14.11.2 in PDF 1.7 ISO Specification PDF 32000-1:2008
        # https://opensource.adobe.com/dc-acrobat-sdk-docs/standards/pdfstandards/pdf/PDF32000_2008.pdf
        x, y, w, h = pdf.pages[page].mediabox
        print(f"Page size: {h}x{w}+{x}+{y}")
        if "/Annots" not in pdf.pages[page]:
            return f"Error: No annotation found in PDF page {page}"
        annotations = pdf.pages[page]["/Annots"]
        info = []
        for i, annot in enumerate(annotations):
            # check Section 12.5.2 in PDF 1.7 ISO Specification PDF 32000-1:2008
            lower_left_x, lower_left_y, upper_right_x, upper_right_y = annot["/Rect"]
            width = upper_right_x - lower_left_x
            height = upper_right_y - lower_left_y
            left_x = lower_left_x
            top_y = h - upper_right_y
            pos = (width, height, left_x, top_y)
            subtype = str(annot["/Subtype"]).lstrip("/")
            info.append((subtype, pos))
    return info
if __name__ == "__main__":
    args = sys.argv
    if len(args) not in (3, 4):
        print("Usage: %s [pdf] [page_index] [target_density=72]" % args[0])
    elif len(args) == 3:
        for name, (w, h, x, y) in getAnnotationInfo(args[1], int(args[2])):
            print(f"[{name}] {w}x{h}+{x}+{y}")
    else:
        # Default density (DPI) in magick is 72
        target_density = int(args[3])

求一款能批量自动根据pdf内容固定标题重命名pdf文件名字的软件?

一、OCR 程序

二、PDF 截取程序 [1]

三、文件重命名程序

① Windows（PowerShell）

② macOS / Linux（Bash）

四、合并三个程序，实现批量处理

① Windows (PowerShell)

② macOS / Linux (Bash)

附录：使用 Python 库来获取 PDF 文件中的矩形标注对应的位置坐标

二、PDF 截取程序 ^[1]