我试图从一个PDF中获取目录。我正在使用PyMuPDF实现这一目的。但它只在PDF包含书签的情况下提取ToC。否则，它只会产生一个空的列表。
def get_Table_Of_Contents(doc):
toc = doc.getToC()
return toc
toc= get_Table_Of_Contents(file)
|
|
用python获取PDF的目录
0
人关注
1
个评论
我也面临同样的情况。你是否发现有什么方法可以在PDF不包含书签的情况下提取ToC？
sheshank
发布于
2020-11-05
2
个回答
Anjaly Vijayan
发布于
2020-11-14
0
人赞同
使用pdf-html转换器将pdf转换成html。你可以使用像beautifulsoup这样的分析器来解析html，提取你想要的任何数据。
Maksym Polshcha
发布于
2020-11-14
0
人赞同
通常情况下，TOC就像页面上的一个普通文本一样被表示出来。
Try
浏览器
以提取文本和/或PDF "标记"。
下面是一个从一个页面中提取所有上述内容的示例代码。
from pdfreader import SimplePDFViewer, PageDoesNotExist
fd = open(your_pdf_file_name, "rb")
viewer = SimplePDFViewer(fd)
# navigate to TOC
viewer.navigate(toc_page_number)