在处理PDF文档时，获取章节信息并进行拆分是常见的需求，尤其是在处理书籍、论文或报告等长文档时。Python 提供了多种库可以实现对 PDF 的读取、解析和拆分操作。以下是实现这一功能的常用方法。 ### 1. 使用 `PyMuPDF`（即 `fitz`）提取章节信息并拆分 PDF `PyMuPDF` 是一个功能强大的 PDF 处理库，支持文本提取、页面操作、注释处理等。虽然 PDF 本身并不总是包含明确的章节结构信息，但可以通过提取书签（Outline）或目录（TOC）来获取章节信息。 ```python import fitz # PyMuPDF def extract_bookmarks(pdf_path): doc = fitz.open(pdf_path) toc = doc.get_toc() # 获取目录信息 return toc def split_pdf_by_bookmarks(pdf_path, output_folder): doc = fitz.open(pdf_path) toc = doc.get_toc() for i, (level, title, page) in enumerate(toc): start_page = page - 1 # PDF 页面从0开始 end_page = toc[i+1][2] - 1 if i+1 < len(toc) else len(doc) - 1 new_doc = fitz.open() new_doc.insert_pdf(doc, from_page=start_page, to_page=end_page) new_doc.save(f"{output_folder}/{title}.pdf") new_doc.close() # 示例调用 pdf_path = "example.pdf" output_folder = "./split_pdfs" toc = extract_bookmarks(pdf_path) print(toc) split_pdf_by_bookmarks(pdf_path, output_folder) ``` ### 2. 使用 `PyPDF2` 或 `PyPDF` 拆分 PDF 页面 虽然 `PyPDF2` 不支持提取书签信息，但可以用于按页码拆分 PDF。适用于没有明确章节结构的文档。 ```python from PyPDF2 import PdfReader, PdfWriter def split_pdf_by_page(pdf_path, start_page, end_page, output_path): reader = PdfReader(pdf_path) writer = PdfWriter() for page_num in range(start_page, end_page + 1): writer.add_page(reader.pages[page_num]) with open(output_path, "wb") as output_file: writer.write(output_file) # 示例调用 split_pdf_by_page("example.pdf", 0, 5, "first_part.pdf") ``` ### 3. 提取章节标题并识别结构 PDF 中的章节标题通常以特定格式（如字体大小、加粗等）呈现。可以结合 `pdfplumber` 或 `PyMuPDF` 提取文本并识别章节标题。 ```python import fitz def extract_headings(pdf_path, threshold=12): doc = fitz.open(pdf_path) headings = [] for page_num in range(len(doc)): page = doc.load_page(page_num) blocks = page.get_text("dict")["blocks"] for block in blocks: if "lines" in block: for line in block["lines"]: for span in line["spans"]: if span["size"] > threshold: # 假设标题字体较大 headings.append((page_num, span["text"], span["size"])) return headings # 示例调用 headings = extract_headings("example.pdf") print(headings) ``` ### 4. 使用 `pdfminer.six` 提取结构化文本 `pdfminer.six` 是一个用于解析 PDF 文本的库，适合用于提取结构化内容。 ```python from pdfminer.high_level import extract_text def extract_text_from_pdf(pdf_path): return extract_text(pdf_path) # 示例调用 text = extract_text_from_pdf("example.pdf") print(text) ``` ###