Python库实现PDF转HTML方法，可以提取目录TOC

在Python中，要识别PDF中的目录（Table of Contents, TOC），通常有两种场景：

直接提取pdf内置的书签（Bookmarks）：如果pdf本身带有目录书签（例如电子书、技术文档），可以直接提取。

自动分析文本结构推断目录：如果PDF没有书签，需要通过文本模式、标题层级或排版特征（如页码、缩进）来识别目录。

以下是针对这两种场景的解决方案和库推荐：

一、提取PDF内置书签（推荐方案）

如果PDF本身包含目录书签（通过阅读器可展开的导航栏），可以使用以下库直接提取：

1. PyMuPDF (fitz)

PyMuPDF 能直接读取PDF的书签信息，适合快速提取目录结构：

import fitz

def extract_toc(pdf_path):
    doc = fitz.open(pdf_path)
    toc = doc.get_toc()  # 返回一个列表，每个元素是 [层级, 标题, 页码, ...]
    return toc

# 示例输出：
# [
#   [1, "ChAPter 1", 1],
#   [1, "Chapter 2", 5],
#   [2, "Section 2.1", 6],
#   ...
# ]

2. pikepdf

另一个支持提取书签的库，适合需要更复杂操作的场景：

from pikepdf import Pdf

with Pdf.open('input.pdf') as pdf:
    if '/Outlines' in pdf.Root:  # 检查是否存在书签
        outlines = pdf.Root.Outlines
        for item in outlines:
            print(item.Title, item.Dest[0].objgen)  # 标题和页码（需进一步解析）

二、自动分析文本结构推断目录

如果PDF没有内置书签，需要通过分析文本内容识别目录。这通常需要结合规则（如正则表达式匹配章节标题和页码）或机器学习模型。

1. pdfplumber（基于规则）

通过文本位置、字体大小和正则表达式匹配目录条目：

import pdfplumber
import re

def infer_toc(pdf_path):
    toc = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text = page.extract_text()
            # 匹配类似 "Chapter 1 ...... 1" 的目录条目
            matches = re.findall(r'(.*?)\s+\.+\s+(\d+)', text)
            for title, page_num in matches:
                toc.append({"title": title.strip(), "page": int(page_num)})
    return toc

2. pdftotree（结构化解析）

使用机器学习模型解析PDF的层级结构，可能识别标题：

import pdftotree

# 转换PDF为html树，再通过xpath提取标题
pdftotree.convert('input.pdf', 'output.html')

# 手动分析output.html中的<h1>, <h2>标签或特定class

3. LayoutParser（复杂版面分析）

结合深度学习模型检测标题区域：

import layoutparser as lp

model = lp.Detectron2LayoutModel('lp://PrimaLayout/mask_rcnn_R_50_FPN_3x/config')
pdf_image = np.array(...)  # 将PDF页面转为图像
layout = model.detect(pdf_image)
# 筛选可能是标题的区块（需自定义规则）

三、推荐方案

如果PDF有内置书签：直接用 PyMuPDF 的 get_toc()，简单高效。

无书签需推断目录：

简单场景：用 pdfplumber + 正则表达式。

复杂场景：结合 LayoutParser 或 pdftotree 分析版面层级。

四、注意事项

准确性：无书签的目录识别依赖PDF的排版规范性，复杂文档（如多栏、图表混杂）可能需要定制规则。

页码偏移：PDF页码可能与实际物理页码不同（如封面不计入页码），需注意调整。

OCR需求：扫描版PDF需先用OCR工具（如Tesseract）提取文本。

如果需要全自动化工具，可以尝试集成 GROBID（Java库，通过API调用），它专用于学术文档的结构化解析，支持目录提取。