PDF の目次を抽出しますか?

Question

SWFTools と XPDF の助けを借りて、PDF を画像/SWF とテキストに抽出しています。これらを PDF スクリプトで実行しています。

しかし今、さらに一歩進んで PDF から目次を取得しようとしていますが、この情報を抽出することは可能でしょうか?

Answer 1

ちょっと検索してみたらこれを見つけました。それはかなり有望に見えます。

PDFマイナー: http://www.unixuser.org/~euske/python/pdfminer/index.html

注記：このツールは Python ベースですが、シェル アクセス経由でツールを使用できるはずです。あるいは、プロジェクトはオープンソースであるため、ソース コード自体から有用な情報を収集できる場合もあります。

サイトから:

ダンプpdf.py

dumppdf.py は、PDF ファイルの内部コンテンツを疑似 XML 形式でダンプします。このプログラムは主にデバッグを目的としていますが、意味のあるコンテンツ (画像など) を抽出することもできます。

例:

$ dumppdf.py -a foo.pdf
(dump all the headers and contents, except stream objects)

$ dumppdf.py -T foo.pdf
(dump the table of contents)

$ dumppdf.py -r -i6 foo.pdf > pic.jpeg
(extract a JPEG image)

Answer 2

私はdump.pdf -Tを試してみましたが、それは一部のPDFファイルでは動作しませんでした。

私はちょうど見つけMuPDFという名前mutool、から別のツールがあります。これはdump.pdfよりも良いですが、PDFファイルdump.pdfに取り組んでエラーをスローした場合、私は知りません。

ここでmutoolとTOCを抽出する方法です。

mutool show {your-pdf-file} outline

MuPDFする

Answer 3

また、あなたにはC.書かかなり軽量でありながら、完全なPDFの実装である MuPDF に使用することができますapps/サブディレクトリには、あなたは、表示ダンプやPDFファイルから情報を抽出することができますいくつかのツールがあります。それは積極的に維持され、より良いPDFをサポートしていているので、私はxpdfの上MuPDFを好むだろう。

それ以外の場合は、常にありますにPoppler の実際のxpdfに基づいています。開発者はC ++にそのコードを移植しました。したがって、それは、その前任者よりも悪い行います。 MuPDFに比べて、にPopplerは少しより多くの機能を持っているようだが、見返りにコードがはるかに複雑である。

あなたの目的のためにMuPDFはしかし十分なはずです。あなたは、外部のアプリケーションに頼ることなく、必要なすべての情報を抽出しapps/で提供されるサンプルコードから簡単なアプリケーションを一緒にハック可能性があります。

Answer 4

私はを見てPHPのPDFlibののは非常に良い場所だと思います開始。あなたは下にスクロールする場合は、テキストにHTMLやPDFにPDFを変換するためのユーザ投稿のソリューションの多くが表示されます。変換後は、比較的単純なmatch関数は、タグ付けされたTOCの項目を抽出でき、あなたが、あなたのように操作することができます例えば、配列、にそれらを投げてくださいます。

このStackOverflowのポストにもいくつかのより多くのソリューションを提供しています。

この情報がお役に立てば幸いです。