Flask中PDF上传与主题（含标题及描述）提取实现求助

1. 搭建基础上传路由 #

先写核心的Flask上传接口，只接受PDF文件，处理上传后调用提取逻辑：

from flask import Flask, request, jsonify
import os
from werkzeug.utils import secure_filename

app = Flask(__name__)
app.config['UPLOAD_FOLDER'] = './uploads'
app.config['ALLOWED_EXTENSIONS'] = {'pdf'}

def allowed_file(filename):
    return '.' in filename and filename.rsplit('.', 1)[1].lower() in app.config['ALLOWED_EXTENSIONS']

@app.route('/upload-pdf', methods=['POST'])
def upload_pdf():
    if 'file' not in request.files:
        return jsonify({'error': '未上传文件'}), 400
    file = request.files['file']
    if file.filename == '':
        return jsonify({'error': '未选择文件'}), 400
    if file and allowed_file(file.filename):
        filename = secure_filename(file.filename)
        file_path = os.path.join(app.config['UPLOAD_FOLDER'], filename)
        file.save(file_path)
        # 调用主题提取函数
        topics = extract_topics_from_pdf(file_path)
        # 可选：删除临时文件
        os.remove(file_path)
        return jsonify({'topics': topics})
    return jsonify({'error': '仅支持PDF格式文件'}), 400

if __name__ == '__main__':
    os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)
    app.run(debug=True)

2. 核心：PDF标题与描述关联提取 #

用pdfplumber工具（能获取字体、字号信息，比单纯提取文本更精准），通过字体特征区分标题和正文：
先安装依赖：pip install pdfplumber flask

提取函数代码：

import pdfplumber

def extract_topics_from_pdf(file_path):
    topics = []
    current_title = None
    current_desc = []

    with pdfplumber.open(file_path) as pdf:
        for page in pdf.pages:
            # 获取带字体属性的文本片段
            words = page.extract_words(extra_attrs=['fontname', 'size'])
            for word in words:
                # 自定义标题判断规则：字号>14且字体含加粗标识（根据你的PDF调整参数）
                is_title = word['size'] > 14 and ('Bold' in word['fontname'] or 'bold' in word['fontname'])
                if is_title:
                    # 先保存上一个主题的内容
                    if current_title and current_desc:
                        topics.append({
                            'title': current_title.strip(),
                            'desc': ' '.join(current_desc).strip()
                        })
                    current_title = word['text']
                    current_desc = []
                else:
                    # 只有存在当前标题时，才收集描述内容
                    if current_title:
                        current_desc.append(word['text'])
        # 处理最后一个主题
        if current_title and current_desc:
            topics.append({
                'title': current_title.strip(),
                'desc': ' '.join(current_desc).strip()
            })
    return topics

3. 适配特殊PDF的补充方案 #

扫描版PDF（图片转文本） #

如果是扫描生成的PDF，需要先做OCR识别，再提取主题：
安装依赖：pip install pdf2image pytesseract

from pdf2image import convert_from_path
import pytesseract
import re

def extract_scanned_pdf(file_path):
    images = convert_from_path(file_path)
    full_text = ''
    for img in images:
        full_text += pytesseract.image_to_string(img)
    
    # 假设标题是"数字. 主题名"格式，用正则匹配分割
    topics = []
    pattern = re.compile(r'(\d+\. .+?)(?=\n\d+\. |\Z)', re.DOTALL)
    for match in pattern.finditer(full_text):
        content = match.group(1).split('\n', 1)
        if len(content) >=2:
            topics.append({'title': content[0].strip(), 'desc': content[1].strip()})
    return topics

结构化PDF（带大纲） #

如果PDF有内置大纲，可以直接用大纲标题匹配对应页面内容：

def extract_outline_pdf(file_path):
    topics = []
    with pdfplumber.open(file_path) as pdf:
        outline = pdf.outline
        for item in outline:
            # 获取大纲对应的页码，提取该页及后续内容直到下一个大纲
            page_num = item.page_number - 1  # pdfplumber页码从0开始
            page = pdf.pages[page_num]
            text = page.extract_text()
            # 这里可以根据实际情况切割标题和描述
            if text:
                parts = text.split('\n', 1)
                if len(parts)>=2:
                    topics.append({'title': parts[0].strip(), 'desc': parts[1].strip()})
    return topics

4. 实用调整建议 #

• 测试你的目标PDF，修改标题判断的字号、字体规则，不同PDF格式差异大，需要针对性调整。
• 大文件可以分页处理，避免内存占用过高。
• 加入异常捕获，比如处理损坏的PDF文件，返回明确错误信息。

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