2021/09/24 - 如何快速给书籍添加书签目录

有时候我们下载到一些PDF格式的书籍，虽然包含了页面目录，但不是书签形式的，阅读起来不是很方便。那么如何根据书籍的页面目录，快速创建书签目录呢。本篇博文是基于python库pdfbookmarker的一个处理方案。其地址参见：https://github.com/RussellLuo/pdfbookmarker

将目录转换成TXT格式的目录文件

如果是扫描版本的PDF文件，建议使用金山PDF阅读器自带的扫描件识别功能，先将目录部分转换成可以选择的PDF格式（OCR功能）。然后再利用Adobe PDF阅读器的列选择功能，将PDF页面目录拷贝到TXT格式的目录文件中。拷贝方法为：首先按Shift + ALT键，待鼠标指针变化成选择框的时候，再行复制。目前还不知道金山PDF阅读器的列选择功能怎么使，但是Adobe PDF阅读器的这个功能非常不错，尤其是对于双栏目录，不使用列选择功能复制后就会混合在一起。

使用正则格式化目录文件

TXT文件复制制作完成之后，可能还存在很多的问题。例如有些目录因为文字部分太长，就会出现串行。

  • 串行问题
Chapter 6 REACTION EQUILIBRIUM IN IDEAL GAS MIXTURES 174
6.1 Chemical Potentials in an Ideal Gas Mixture 175
6.2 Ideal-Gas Reaction Equilibrium 177
6.3 Temperature Dependence
of the Equilibrium Constant 182
6.4 Ideal-Gas Equilibrium Calculations 186
6.5 Simultaneous Equilibria 191

例如上面的目录，6.3节的目录出现了串行。可以使用如下的正则解决（下面的正则替换均需在Visual Studio Code软件中使用，因为不同的编辑器支持的正则方言不一样）。

# 查找正则
(?<!\d)\n
# 替换部分，输入一个空格就成

如果因为文档的字迹不清楚，导致拷贝后的效果不好，那么可能需要手工校对。字迹清楚的一般不会有其他问题。

将目录格式化成python脚本需要的格式

++"TEXT TITLE"|N

其中+的数量代表level的级别，N代表页码的数字。由于每本书籍的目录格式是不一样的，编写具有鲁棒性的脚本比较困难。我们还是可以使用正则进行针对性的格式化。以上述的目录为例。

  • 给每一行目录增加+"符号（level=1的目录）
# 查找正则
^
# 替换
+"

这样，章一级（level=1）的基本就处理完成了，那么针对节一级（level=2）的还需要替换。

  • 格式化节一级的目录（level=2的目录）
# 查找正则，如果前边的数字包含点，代表为节一级，当然下边的写法比较随意
"(\d*?[.])
# 替换
+"$1
  • Level等于3部分的目录格式化
# 查找正则
"((\d*?[.]){2})
# 替换正则
+"$1
  • 页面数字部分的格式化
# 查找正则
\s*?(\d+)(?=\n)
# 替换
"|$1

这里可能需要经常性的使用正则中的零宽度断言，如有不熟悉或者遗忘，可以参见：https://www.cnblogs.com/macq/p/6597366.html

处理页面目录位置偏移

做完上面的步骤，目录的格式已经处理完毕。但是对于大部分的书籍，其页面目录中对应的数字和实际的PDF页面位置存在一个偏移，由于正则替换功能没有数字计算的功能，因此只能使用脚本了。这里使用Powershell脚本。

param (
    [Parameter(Mandatory)]
    [string]$Path,

    [int]$Gain = 5
)

$OutPath = "{0}-p.ini" -f $Path.Substring(0, $Path.LastIndexOf("."))

Get-Content $Path | % {
    $lr = $_.Split("|")
    "{0}|{1}" -f @($lr[0], ([int]$lr[1] + $Gain))
} | Out-File $OutPath

假设powershell脚本的名字为cp.ps1，那么调用的方式为：

.\cp.ps1 -Path content.txt -Gain 18

其中Gain参数对应偏移的量。对于有些比较变态的书籍，每一个章节的偏移量都不一样，这个时候就需要对脚本进行一些修改了。

小结：对于%循环中的输出，如果出现变量赋值，代表该变量不会传递给下一个命令，否则就会传递。

如果vscode安装了Replace Selection插件，那么不必使用powershell脚本也可以实现页面数字的增加和修改。步骤如下：（1）使用正则表达式$选择所有的结尾，然后在结尾处插入+offset，其中offset为需要增加的数字；（2）使用CTRL+SHIFT+<-增加选择范围，直到覆盖原来的数字；（3）使用插件中Replace with Evaluated Javascript Result命令执行eval功能。更加详细的步骤，可以查看一下视频。

添加书签目录

假设书签的文件名为c.txt，PDF文件的名称为c.pdf则调用的方法为：

pdfbm c.pdf c.txt [c-p.pdf]

其中输出文件的名称是可选的，如果不设置，其名称为原名称加上-new后缀。

以上就是PDF文件的书签目录制作流程，看起来还是比较复杂的，流程有点多，但是如果每一步比较熟，还是很快的。尤其对于那种几百页上千页的PDF文件，这种方式比手工制作目录肯定方便不少。