如何获取书签的页码

Question

from typing import List
from PyPDF2 import PdfFileReader
from PyPDF2.generic import Destination


def get_outlines(pdf_filepath: str) -> List[Destination]:
    """Get the bookmarks of a PDF file."""
    with open(pdf_filepath, "rb") as fp:
        pdf_file_reader = PdfFileReader(fp)
        outlines = pdf_file_reader.getOutlines()
    return outlines


print(get_outlines("PDF-export-example.pdf"))

pyPdf.pdf.Destination 有很多属性，但我找不到任何与书签的页码相关的信息。我该如何获取书签的页码呢？

---

举个例子，outlines[1].page.idnum 返回的数字大约是 PDF 文档中引用的页码的三倍。我猜这个数字可能指向的是某个比页面小的对象，因为在整个 PDF 文档的目录上运行 .page.idnum 返回的数字数组与 PDF 文档中的“真实”页码并没有线性关系，而且大约是三倍的关系。

---

更新：这个问题和这个链接中的内容是一样的：根据目录拆分 PDF，不过我不太明白作者在他的自答中做了什么。对我来说，看起来太复杂了，无法使用。

Answer 1

在2019年，对于那些想要更快方法的人，可以使用：

from PyPDF2 import PdfFileReader

def printPageNumberFrom(filename):
    with open(filename, "rb") as f:
       pdf = PdfFileReader(f)
       bookmarks = pdf.getOutlines()
       for b in bookmarks:
           print(pdf.getDestinationPageNumber(b) + 1) #page count starts from 0 

Answer 2

根据vjayky和Giulio D的建议，递归管理书签。

需要使用PyPDF2版本大于等于1.25。

from PyPDF2 import PdfFileReader

def printBookmarksPageNumbers(pdf):
    def reviewAndPrintBookmarks(bookmarks, indent=0):
        for b in bookmarks:
            if type(b) == list:
                reviewAndPrintBookmarks(b, indent + 4)
                continue
            pg_num = pdf.getDestinationPageNumber(b) + 1  # page count starts from 0
            print("%s%s: Page %s" % (" " * indent, b.title, pg_num))

    reviewAndPrintBookmarks(pdf.getOutlines())

with open('document.pdf', "rb") as f:
    pdf = PdfFileReader(f)
    printBookmarksPageNumbers(pdf)

如果使用的PyPDF2版本小于1.25。

from PyPDF2 import PdfFileReader

def printBookmarksPageNumbers(pdf):
    # Map page ids to page numbers
    pg_id_to_num = {}
    for pg_num in range(0, pdf.getNumPages()):
        pg_id_to_num[pdf.getPage(pg_num).indirectRef.idnum] = pg_num

    def reviewAndPrintBookmarks(bookmarks, indent=0):
        for b in bookmarks:
            if type(b) == list:
                reviewAndPrintBookmarks(b, indent + 4)
                continue
            pg_num = pg_id_to_num[b.page.idnum] + 1  # page count starts from 0
            print("%s%s: Page %s" % (" " * indent, b.title, pg_num))

    reviewAndPrintBookmarks(pdf.getOutlines())

with open('document.pdf', "rb") as f:
    pdf = PdfFileReader(f)
    printBookmarksPageNumbers(pdf)

示例输出（两种方法的结果）：

Bookmark 1: Page 1
    Bookmark 1.1: Page 2
    Bookmark 1.2: Page 3
Bookmark 2: Page 4
Bookmark 3: Page 5
    Bookmark 3.1: Page 6

Answer 3

正如@theta提到的，"根据大纲拆分PDF"这个帖子里有提取页码所需的代码。如果你觉得这很复杂，我复制了一部分代码，这部分代码可以把页面ID映射到页码，并把它做成了一个函数。下面是一个可以工作的例子，它会打印出书签o[0]的页码：

from PyPDF2 import PdfFileReader


def _setup_page_id_to_num(pdf, pages=None, _result=None, _num_pages=None):
    if _result is None:
        _result = {}
    if pages is None:
        _num_pages = []
        pages = pdf.trailer["/Root"].getObject()["/Pages"].getObject()
    t = pages["/Type"]
    if t == "/Pages":
        for page in pages["/Kids"]:
            _result[page.idnum] = len(_num_pages)
            _setup_page_id_to_num(pdf, page.getObject(), _result, _num_pages)
    elif t == "/Page":
        _num_pages.append(1)
    return _result
# main
f = open('document.pdf','rb')
p = PdfFileReader(f)
# map page ids to page numbers
pg_id_num_map = _setup_page_id_to_num(p)
o = p.getOutlines()
pg_num = pg_id_num_map[o[0].page.idnum] + 1
print(pg_num)

可能对@theta来说已经太晚了，但这可能对其他人有帮助 :) 顺便说一下，这是我在stackoverflow上的第一篇帖子，如果我没有遵循通常的格式，请多多包涵。

进一步扩展： 如果你想获取书签在页面上的确切位置，这将让你的工作更轻松：

from PyPDF2 import PdfFileReader
import PyPDF2 as pyPdf

def _setup_page_id_to_num(pdf, pages=None, _result=None, _num_pages=None):
    if _result is None:
        _result = {}
    if pages is None:
        _num_pages = []
        pages = pdf.trailer["/Root"].getObject()["/Pages"].getObject()
    t = pages["/Type"]
    if t == "/Pages":
        for page in pages["/Kids"]:
            _result[page.idnum] = len(_num_pages)
            _setup_page_id_to_num(pdf, page.getObject(), _result, _num_pages)
    elif t == "/Page":
        _num_pages.append(1)
    return _result
def outlines_pg_zoom_info(outlines, pg_id_num_map, result=None):
    if result is None:
        result = dict()
    if type(outlines) == list:
        for outline in outlines:
            result = outlines_pg_zoom_info(outline, pg_id_num_map, result)
    elif type(outlines) == pyPdf.pdf.Destination:
        title = outlines['/Title']
        result[title.split()[0]] = dict(title=outlines['/Title'], top=outlines['/Top'], \
        left=outlines['/Left'], page=(pg_id_num_map[outlines.page.idnum]+1))
    return result

# main
pdf_name = 'document.pdf'
f = open(pdf_name,'rb')
pdf = PdfFileReader(f)
# map page ids to page numbers
pg_id_num_map = _setup_page_id_to_num(pdf)
outlines = pdf.getOutlines()
bookmarks_info = outlines_pg_zoom_info(outlines, pg_id_num_map)
print(bookmarks_info)

注意：我的书签是章节编号（例如：1.1 引言），我把书签信息映射到章节编号。如果你的书签不同，请修改代码的这一部分：

    elif type(outlines) == pyPdf.pdf.Destination:
        title = outlines['/Title']
        result[title.split()[0]] = dict(title=outlines['/Title'], top=outlines['/Top'], \
        left=outlines['/Left'], page=(pg_id_num_map[outlines.page.idnum]+1))