Skip to content

Davy-Zhou/pdf_add_bookmark_semi

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

17 Commits
 
 
 
 
 
 
 
 

Repository files navigation

[toc]

半自动化给PDF加书签-Python实现-可双击执行-上篇

PDF直接加书签

下载链接https://github.com/Davy-Zhou/pdf_add_bookmark_semi/releases/download/v0.60/pdf_add_bookmark_semi.v0.60.zip

零、功能更新&Bug修复

Bug或新功能,最好在Github里的issue里面提,要提新功能代码,欢迎提PR,其它平台不一定能及时看到,github 有邮件通知🤝

  • 2022-11-22

    • 针对页偏移无法识别时,增加页偏移输入选项,无需重开程序

    • 针对多个PDF要加书签情况,完成一个PDF加书签后,无需重开,回车即可给下一个PDF加书签

      image-20221122005132356

    • 书签格式化库规则更新

      image-20221122005253065

  • 2022-8-17

    • 增加多级书签无前置书签和书签层级不连续提示:bug:
    • 提高容错性,非命令行下,显示报错提示🐛
    • dll不单独进打包exe,提升启动速度🐎
  • 2022-8-15

    • 新的打包方式,依赖有问题,改用旧的打包方式:bug:

      Snipaste_2022-08-15_08-31-43

  • 2022-8-14

    • 完成书签获取自动化:sparkles:
    • 可自动识别部分PDF页偏移:sparkles:
    • 改用新打包方式,exe体积更小,速度更快:sparkles:
  • 2022-8-1

    • 加书签时,增加清空原有书签选项:sparkles:
    • 检测页码合法性,是否超出pdf页数
    • 相关容错改进
  • 2022-8-3

    • bug 参数解析依赖

      image-20220803170309034

    • [ ]

  • 2022-8-4

    • 所有判断做充分性测试

  • 2022-8-9 着重新功能,性能优化,非严重容错问题暂时不修

    • 自动化获取书签

      # PyAutoGui or pywin 模拟点击
      
      # 读秀WEB JS逆向书签接口
      
      # 书签获取软件逆向接口
      
    • 加书签性能优化

      # 尝试extend()方法
      2022年8月9日02:15:59
      
      1. 
      ```python
      
      outline.root.extend([
       # Page counts are zero-based
       OutlineItem('Section One', 0),
       OutlineItem('Section Two', 2),
       OutlineItem('Section Three', 8)
       ])
      
      
      main_item = OutlineItem('Main', 0)
      outline.root.append(main_item)
      main_item.children.append(OutlineItem('A', 1))
      
      # 还落是明天弄了,想睡觉了
      202281002:28:55
      # 这个耗时不算太多,先弄书签获取 MuPDF已完成 \学习\mupdf_add_bookmark.py
      
      ```
      
      # PyPDF2竟然更新了,试一下,额,WPS PDF差1的问题还是存在
      
      
      # 使用Mupdf,及其它PDF操作Python库
      
      
      # C pdf lib
      

    • 打包exe优化

      # niutika
      
      # 
      
      # 
  • [ ]

一、PDF加书签介绍

1.1 不那么漂亮的话

  1. ==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==
  2. 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
  3. ==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
  4. ==相比现有工具,没有太大优势,最初只是个人使用==
  5. 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。

image-20220724190634286

image-20220724190715119

image-20220725153156223

​ 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

image-20220727135111812

image-20220724191423259

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

    image-20220724194106998

    image-20220724194617355

    装好的油猴插件、油猴脚本

    image-20220724195118825

如果书签工具也没有那本书的书签,怎么办?

推荐阅读,上面的内容主要参考这三篇文章

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

    image-20220725214301736

    ​ 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

    image-20220725220214872

  • 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==

    image-20220725224019744

    ​ 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

    image-20220725224837208

  • 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。

    image-20220725230132610

    ​ 所有正文之后的页码必须+10进行修正,如下图

    image-20220725215853920

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,,,

  • 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。

    image-20220725232316741

  • 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。

    image-20220727143357521

    ​ 下面是从京东商城的商品界面,可以看到目录,

    image-20220727144504847

    ​ 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。

    image-20220727145143434

    ​ 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

    image-20220727145907978

二、使用方式

2.1 工具介绍

  1. 工具结构

    image-20220730163322796

    #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.pypdf_add_bookmark_semi.pypdf_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

      image-20220730180818636

    • 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。

      image-20220730192924607

2.2 半个图形化界面---可双击执行

  1. 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。

    image-20220730193756002

  2. 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

    image-20220730194321458

    image-20220730194615700

  3. 加书签

    双击pdf_add_bookmark_semi.exe,会弹出控制台界面

    image-20220730194837484

    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)

    image-20220730195144581

    直接将txt书签文件拖到控制台界面,然后填好页偏移10

    image-20220730195806963

    书签和页偏移之间要留空格

    image-20220730195846800

    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

    image-20220730200052567

    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

    image-20220730200243287

    image-20220730200355030

    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

    image-20220730200526540

    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)

    image-20220730200830749

    按回车,退出,一切OK

  4. 加书签的程序也能发送到桌面,创建快捷方式,直接双击

    image-20220730202845354

    image-20220730202936398

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

image-20220730201303959


2.4 下载链接

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

三、代码实现

下次吧,写文档也累了

四、TODO

  • 书签获取有点花时间,争取下次自动化获取
  • 书签页码偏移部分可自动识别
  • 界面美化
  • 书签格式化规则更新