PDF电子书制作书签目录
- 所需软件
- FreePic2Pdf
- Notepad++
- 实现思路
- 第一步 检查PDF页面序号是否正确
- 第二步 从PDF中取出目录
- 第三步 使用正则表达式匹配目录格式
- 第四步 把书签目录存入PDF文件中
所需软件
以下两款软件都很容易找到。
FreePic2Pdf
用于存取PDF的书签，我们做好目录后，用该软件把目录存入PDF中。
Notepad++
一款功能强大的文本编辑器，这里我们主要用到它的正则表达式替换功能。用其他有相同功能的编辑器也可以。
也可以使用VS Code。
实现思路
首先我们要获得目录的文字，如果是文字版PDF，那直接复制粘贴皆可；如果是扫描版的PDF，则先从PDF中取出目录，再使用OCR把图片装换成文字。然后，我们要把文字转换为特定的格式，它才可以被当成书签目录使用。最后使用FreePic2Pdf把目录存入PDF，就大功告成了！
第一步 检查PDF页面序号是否正确
使用Adobe Acrobat 等PDF软件打开组织页面，确认目录的页码是否和正文的序号匹配，如果不是，先选择正文前面的页面，换一个新的序号，使得正文序号和目录保持一致。若不进行修改，目录即使制作出来也无法跳转到对应页面。
第二步 从PDF中取出目录
- 首先我们使用FreePic2Pdf取出PDF的标签，操作如下图：
- 取出完成后，默认状态下，PDF文件的同目录下会生成一个与PDF文件同名的目录，里面存放了我们刚刚生成的标签文件，其中FreePic2Pdf_bkmk.txt文件就是我们取出的标签文字，我们待会要把做好的目录保存到这里面去。
- 对于文字版PDF，直接打开把目录部分复制到FreePic2Pdf_bkmk.txt即可。
- 对于扫描版PDF，首先我们要取出目录部分。可使用PDF软件或者该网站把目录部分保存为一个独立的PDF文件或者几张图片，再使用OCR软件或者在线OCR网站得到目录文字。
注：最近搜狗输入法上线了智能助手，也有OCR功能，识别率非常不错。可以用它比较方便的识别，就免去处理图片的麻烦。 - 用上面的OCR往往是文字和页码在拆开在两行，这时可以用python代码把它们处理一下：
将文本放在D://data.txt中，使用VScode运行，就可以得到文字和页码在一行的结果，有问题及时修改即可
with open( 'D://data.txt', 'r' , encoding='utf-8') as f:
i=0
string=""
for line in f.readlines():
line=line.strip()
if(i%2==0):
string = line
else:
string=string+'\t'+line
print(string)
i=i+1第三步 使用正则表达式匹配目录格式
得到目录文字后，我们需要将其变成特定的格式才可以被识别成书签目录。
格式：每个制表符为一个层次，每行后面加一个制表符再加上页码
第一章 AAA
1.1 AAA 1
1.1.1 AAA 3
1.1.2 AAA 5
1.2 AAA 6
1.2 AAA 8我们拿到的目录文字一般是这样的
第一章 AAA
1.1AAA........................................................1
1.1.1 AAA........................................................3
1.1.2 AAA........................................................5
1.2 AAA........................................................6
1.2AAA........................................................8如果是OCR识别出来的文字，往往不可能全部都识别对，要对文字内容进行对照，改成正确的，特别是X.X.X(X为数字)的格式的.有可能识别成了其他符号
接下来我们使用Notepad++的正则表达式替换得到目的格式，用Notepad++打开FreePic2Pdf_bkmk.txt，按Ctrl+H打开替换窗口，把选中模式改为正则表达式，替换时建议使用替换，而不是全部替换，万一出现意外可以及时发现，不过出现了也就按Ctrl+Z撤回就是了。
- 去除多余的符号
查找内容：
^(\d+(\.\d+)+)\s*([\u4e00-\u9fa5a-zA-Z0-9]*)([^\u4e00-\u9fa5a-zA-Z0-9]*)(\d+)$替换内容：
$1 $3\t$5说明:
正则表达式 | 含义 | 备注 |
^(\d+(.\d+)+) | 匹配开头为X.X.X字符串(X为整数) | 要是匹配第X章,则改成 (第\d+章) 。 |
\s* | 匹配0或多个空格字符 | 有时识别的结果会多一些空格 |
([\u4e00-\u9fa5a-zA-Z0-9]*) | 匹配标题内容(包含了中文大小写英文字母和数字) | 如果标题中含有符号,要往中括号里面添加上这个符号,不然会识别错误。如添加空格和-号和、号，改成([\u4e00-\u9fa5a-zA-Z0-9’ '-\、]*)，有一些符号需要转义，在前面加\ |
([^\u4e00-\u9fa5a-zA-Z0-9]*) | 匹配页码和标题间的各种符号(除了中文大小写英文字母和数字外的字符) | |
(\d+) | 匹配页码 | |
$ | 匹配结尾 | |
$1 | 代表了上面匹配到的正则表达式中第一个()括起来的值 | $3和$5依次类推 |
\t | 代表了一个制表符 |
经过这层处理,得到的目录应该类似下面这样:
第一章 AAA
1.1 AAA 1
1.1.1 AAA 3
1.1.2 AAA 5
1.2 AAA 6
1.2 AAA 8- 添加层次
这一步我们按照要求在前面添加制表符。如下操作
第一步
查找内容：
^(\d+\.\d+\s)替换内容：
\t$1第二步
查找内容：
^(\d+\.\d+\.\d+\s)替换内容：
\t\t$1如果层次还要继续划分，可以照着添加替换，每多一层，则多一个\t。
正常来说，完成这一步格式就已经符合要求了。
第四步 把书签目录存入PDF文件中
打开FreePic2Pdf挂上PDF标签，操作如下图：
出现编辑成功提示则说明你的PDF目录已经制作好了，赶紧打开看看吧！
如果出现失败，有可能是文件被占用了，关闭相关软件重试看看。
