半自动化给PDF加书签

展开全文

半自动化给PDF加书签-Python实现-上篇

半自动化给PDF加书签-Python实现-上篇

2022-8-14
- 完成书签获取自动化✨
- 可自动识别部分PDF页偏移✨

使用介绍

Github：https://github.com/Davy-Zhou/pdf_add_bookmark_semi

一、PDF加书签介绍

1.1 不那么漂亮的话

本工具只进行书签部分格式化和加书签操作，书签获取需要配合其它工具
最终书签效果因人而异，程序只能格式化最常见的层级，毕竟是半自动的
最好了解一定正则和列操作，不了解的话可能要多手工重复一些操作
相比现有工具，书签获取自动化，可自动识别部分PDF页偏移✨
反反复复改了一星期，差不多能用了，虽然代码依然很烂

1.2 PDF加书签难点

1.2.1 书签获取

一般需要加书签的，大多是扫描版书籍，而市面上绝大多数扫描版书籍均出自超星公司(读秀和全国图书参考联盟都是他家的)，为了方便学术检索，超星有对目录进行提取，如下图。

额，然后有人分析出了超星书签的接口，做成了书签获取工具，如下图，通过它能获取大多数书的书签。

但检索一本书的书签，需要知道书在超星的内部编号，上图书签获取工具填的就是那个编号

SSID( Super Star ID，超星英文简写)

书签接口是超星开发的，其中检索每本书的书签不是通过ISBN或书名，而是其内部定义的编号SSID,这个SSID可以油猴脚本获取，推荐文献互助小帮手这个脚本，读秀和全国图书参考联盟都可以获取SSID，但在装油猴脚本前需要装油猴插件

装好的油猴插件、油猴脚本

如果书签工具也没有那本书的书签，怎么办？

这篇博客下载超星或读秀图书时，怎么搞定完整书签? 讲的可以，不重复了，主要是在~~各出版社官网，电商网站，豆瓣找~~，直接Google书签里面的内容，层级深一点的那个，实在没有就OCR书里面的目录部分再整理

推荐阅读，上面的内容主要参考这三篇文章

文献互助小帮手：https:///zh-CN/scripts/435569-文献互助小帮手-从图书馆参考咨询联盟-ucdrs-或读秀-duxiu-获取ssid-dxid-从中美百万-cadal-获取ssno-提供ucdrs-duxiu-cadal到豆瓣图书的链接
淘宝书商为啥什么书都能找到：揭秘代找PDF背后的真相：https://mp.weixin.qq.com/s/7SX-Oztgx2q76AN5YpntTA
下载超星或读秀图书时，怎么搞定完整书签? ：https://blog.csdn.net/youthlzu/article/details/24514703

1.2.2 书签格式化

最初获取的书签结构化程度，很大程度决定了后期格式化用的时间。根据经验，书签格式化有三个小点，书签层级、每级书签样式和页码偏移。

书签层级

以《人工智能在信用债投资领域的应用 Python语言实践》(SSID: 14545152)这本书为例，见下图，这是从书签获取小工具2015.05.05【晴天软件】获得的初步整理的书签。另外规定对于书签的层级一律以Tab来区分，一级书签前面没有Tab，二级书签前面有1个Tab，三级书签则有2个Tab

从中可以看出，除对一级书签（即按章开头的那个第*章），其它书签均格式化为二级书签，其中标注的第6行和第31行应分别为三级书签和一级书签，如下图为修正好的书签
每级书签样式

还是以同一本书为例看书签样式问题，注意第4行，第2章机器学习，标号与标题中间有两个空格;第6行，2.1.1有监督机器学习，标号与标题中间则没有空格;第11行，第3章基于TensorFlow用Keras做深度学习，里面的英文单词是应该首字母大写还是按原样输出，后面的附录那节同第一个问题。

这个按照每个人的审美不同，具体怎么弄，得看你们自己的选择

个人的审美是，标号与标题之间只留一个空格，英文单词全部统一成小写，虽然按原样输出就挺不错的，但加了这么多PDF的书签，最终还是选择统一单词的风格，结果如下图
页码偏移

超星的书签应该也是从目录这部分OCR提取的，见下图，但其中的页码和实际的页码有偏移（因为目录里面的页码是从正文开始算的，而实际的书签引用页码必须是从第一开始的绝对页码），第二章在目录里是页码是6，而实际绝对页码是16，二者相差10，加书签时必须补上这个页码，见第二张图。

所有正文之后的页码必须+10进行修正，如下图

1.3 工具使用限制

在最开始已经介绍，本工具只能进行书签部分格式化，还有一部分是需要手工操作的，特别是对于从非书签获取小工具2015.05.05【晴天软件】获得的书签，程序处理会有很大问题，，，

从书签获取小工具2015.05.05【晴天软件】获取书签

如下图红框，书签层级是通过数字标号来定位的，但如下图框中，书签部分前面没有标号，所以没办法分层级。最后的处理办法是对所有不能通过其特定标识分层级的，全部默认分到二级书签。之后就得自己去修正正确的层级。
从其它处获得的书签

如下图，一些新书是没有录入库的，只能从其它地方拿书签了。

下面是从京东商城的商品界面，可以看到目录，

复制到TXT文档里面，可以发现其中标签与页码之间有点符号，另外还有空行，如果需要用这个书签的话，这个需要把里面的点符号还有空行删了，这个需要用到正则表达式进行替换，不过注意别把书签的数字标号之间的点删除了。

试着把这个txt格式化一下，如图，箭头所指的点没删除，后面有时间再优化这个问题了。

二、使用方式

2.1 工具介绍

工具结构

 #目录树
.
├── Config 
│   └── config.yaml  #配置文件
├── Notepad3
│   ├── Notepad3.exe  #协同工具-文本编辑器
│   ├── Notepad3.ini
│   └── lng
│       ├── np3lng.dll
│       └── zh-CN
│           └── np3lng.dll.mui
├── format_bookmark.py  #代码-格式化书签
├── pdf_add_bookmark_semi.exe #代码-打包的exe
├── pdf_add_bookmark_semi.py  #代码-加书签
└── 书签获取小工具2015.05.05【晴天软件】.exe  #协同工具-书签获取工具

主要是三部分：代码（format_bookmark.py、pdf_add_bookmark_semi.py、pdf_add_bookmark_semi.exe）、配置文件（Config/config.yaml）、以及协同工具（Notepad3/Notepad3.exe、书签获取小工具2015.05.05【晴天软件】.exe）

代码

一个用来格式化书签format_bookmark.py，另一个用来加书签pdf_add_bookmark_semi.py，最终打包成pdf_add_bookmark_semi.exe，具体分析见第三节

主要实现功能
1. 可加4级书签
2. 书签格式化规则可自己配置
配置文件

Config/config.yaml，里面用于配置编辑器的启用、使用哪个编辑器、首字母是否小写、以及最重要的书签格式化规则，具体的看配置文件吧
协同工具

协同工具一个是文本编辑器Notepad3也就是上图所示的软件，另一个是书签获取小工具2015.05.05【晴天软件】.exe），第一节也介绍了，不过这个软件会报毒，加了VMP的壳，这软件我也不知道是谁写的，，，应该没毒吧，15年开发的，很多人也用了很久了。如果被杀软杀了，记得加信任区。

2.2 半个图形化界面---可双击执行

SS号

上面有介绍通过油猴脚本获取的方式，这里再介绍一个网站：http://115.159.153.83:19777/index.html
在上面直接搜索书名，可获得ss号。
书签获取

务必保存到要加书签的pdf的那个文件夹，另外txt文件名要与pdf相同
加书签

双击pdf_add_bookmark_semi.exe,会弹出控制台界面

用法，上面也提了，要输入书签文件名（txt那个文件）、正文页偏移以及目录页码（这个参数可选）

直接将txt书签文件拖到控制台界面，然后填好页偏移10

书签和页偏移之间要留空格

回车，会进行初步格式化，然后弹出书签编辑页面，之后进行修正

附录那要改成一级书签，并去掉多余空格，书签规定看1.2.2书签格式化那节

按上图改完之后，记得关闭编辑器，然后到了加书签界面，输入y是加，n是不加书签

输入y，回车加书签（记得加书签的时候，pdf不能被其它应用使用）

按回车，退出，一切OK
加书签的程序也能发送到桌面，创建快捷方式，直接双击

2.3 命令行

和上面一样的，只是前面多了执行的解释器和py文件，另外注意安装Python模块pikepdf、colorama

 python pdf_add_bookmark_semi.py 'C:\Users\acer\Desktop\Notes\安全\Blog\test\人工智
能在信用债投资领域的应用 Python语言实践.txt' 10

半自动化给PDF加书签