新手求助：如何从大型PDF文档提取页面/标签名称？

PDF的标签（也就是书签/大纲）本身就是结构化的导航元数据，直接提取这些信息完全可行，而且不需要像从页面文本提取那样写复杂的匹配规则，准确率也更高。

编程实现（适合入门的Python工具库） #

PyPDF2 #

这是轻量易上手的PDF处理库，非常适合入门开发者。提取书签的代码简单直观：

from PyPDF2 import PdfReader

reader = PdfReader("你的文档.pdf")
# 获取所有书签（大纲）
bookmarks = reader.outline

# 遍历输出书签名称和对应页码
for item in bookmarks:
    if isinstance(item, dict):
        print(f"标签名称: {item['/Title']}, 页码: {reader.get_destination_page_number(item)}")
    else:
        # 处理嵌套书签
        for sub_item in item:
            print(f"子标签名称: {sub_item['/Title']}, 页码: {reader.get_destination_page_number(sub_item)}")

PyMuPDF（fitz） #

这个库功能全面且处理速度快，提取书签的逻辑同样易懂：

import fitz

doc = fitz.open("你的文档.pdf")
# 获取书签树，每个元素格式为(层级, 标题, 页码)
toc = doc.get_toc()

# 遍历输出，层级用缩进区分
for level, title, page in toc:
    print(f"{'  '*(level-1)}{title} - 第{page}页")

无代码工具方法 #

如果不想写代码，这些工具可以直接导出书签：

• PDFtk：命令行工具，执行 pdftk 你的文档.pdf dump_data output 书签.txt，生成的文本文件会包含所有书签的名称和对应页码。
• Adobe Acrobat Pro：打开PDF后，在「书签」面板右键选择「导出书签」，可保存为纯文本文件。
• Sumatra PDF：免费轻量阅读器，打开PDF后点击「书签」面板的导出按钮，直接保存书签列表到文本文件。

内容的提问来源于stack exchange，提问作者Michal_march