最近在找一些教材的PDF版本，有时候找到了PDF版本却没有目录，对于教材这种需要经常查阅的电子书来说，没有书签目录会导致效率大大降低。之前一直将就着用了，正好暑假小学期结束了，有一些空闲时间，这次我决定给PDF加上目录。
以我下学期的课程计算机网络为例，教材为《计算机网络（第五版）》清华大学出版社。百度搜索一下，在脚本之家找到了这本书的电子版。下载后发现虽然是扫描版的，质量还不错，但是缺点就是没有目录，不方便查阅。
首先使用PDF Password Remover去除PDF内置的密码，否则无法编辑。接下来就可以使用常规的PDF编辑软件对PDF进行编辑了，我使用Adobe Acrobat DC删去了一些多余的页面。虽然也可以添加目录，不过需要一个一个手动添加，对于有七百多页的大部头来说效率实在太低，于是我借助了其他一些工具批量添加。
首先需要获取书籍的完整目录，不需要从PDF版本的目录页进行识别，一般来说书籍的目录页信息都是公开的，在网上书店或者出版社的网站一般可以找到，例如《计算机网络》的目录即可在清华大学出版社官网找到。将它复制下来，存放在一个文本文件中，我命名为data.txt。
结构类似下面这样：
1
2
3
4
5
6
7
8
9
10
11
12
| 第1章 引言 1
1.1 使用计算机网络 2
1.1.1 商业应用 2
1.1.2 家庭应用 4
1.1.3 移动用户 8
1.1.4 社会问题 10
（省略余下部分）
|
接着使用PDF Patcher，打开PDF文件，先添加几个书签，例如封面、前言等页，方便查看书签文件的结构。接着保存书签文件，即得到了类似以下格式的文件：
1
2
3
4
5
6
7
8
9
10
11
12
13
| <?xml version="1.0" encoding="gb2312"?>
<PDF信息 程序名称="PDFPatcher" 程序版本="0.3.3" 导出时间="2020年08月30日 11:33:38" PDF文件位置="C:\Output\[计算机网络（第5版）].（美）特南鲍姆.扫描版_Password_Removed.pdf">
<度量单位 单位="点" />
<文档书签>
<书签 文本="封面" 动作="转到页面" 页码="1" 显示方式="适合页宽"/>
<书签 文本="书名" 动作="转到页面" 页码="2" 显示方式="适合页宽"/>
<书签 文本="版权" 动作="转到页面" 页码="3" 显示方式="适合页宽"/>
<书签 文本="前言" 动作="转到页面" 页码="4" 显示方式="适合页宽"/>
<书签 文本="目录" 动作="转到页面" 页码="6" 显示方式="适合页宽"/>
<书签 文本="第1章 引言" 动作="转到页面" 页码="15" 显示方式="适合页宽">
</文档书签>
<页码样式 />
</PDF信息>
|
注意文件的编码格式是GB2312，使用文本编辑器打开和保存的时候均需要注意格式问题。
根据这两个信息我们就可以使用脚本来处理目录数据，自动生成书签文件了。
我用的是Python脚本：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
| def wrap(info, page):
return '<书签 文本="{}" 动作="转到页面" 页码="{}" 显示方式="适合页宽">\n'.format(info, int(page)+14)
def handle(line):
line = line.strip()
p = line.rfind(' ')
return line[:p], line[p + 1:]
with open('data.txt', 'r', encoding='utf-8') as fin:
with open('out.xml', 'w', encoding='utf-8') as fout:
lines = list(filter(lambda x: len(x.strip()) > 0, fin.readlines()))
i = 0
while i < len(lines) and '第' in lines[i] and '章' in lines[i]:
info, page = handle(lines[i])
fout.write(wrap(info, page))
i += 1
while i < len(lines) and (lines[i].split(' ')[0].count('.') == 1 or '习题' in lines[i]):
info, page = handle(lines[i])
fout.write(wrap(info, page))
i += 1
while i < len(lines) and lines[i].split(' ')[0].count('.') == 2:
info, page = handle(lines[i])
fout.write(wrap(info, page))
fout.write('</书签>\n')
i += 1
fout.write('</书签>\n')
fout.write('</书签>\n')
|
得到输出文件out.xml后，手动将其复制到原来的书签文件对应位置即可。
然后使用PDF Patcher导入书签文件，注意把之前的书签删除。
此外，如果觉得扫描版的PDF文件大小太大了，可以使用Acrobat DC中的优化PDF功能，优化文件大小。
