如何利用索引将大型文档集PDF按主题拆分为子PDF？

我正在尝试拆分一份带索引的大型PDF文档，这份PDF里的索引页会给每个主题标注对应的页面范围（比如：主题1对应第1-5页、主题2对应第12-25页）。目前我用PDFBox加载了PDF并能获取页码，但想通过提取元数据来按主题分组页面，进而把原文档拆分成多个独立的小PDF（比如把主题1的1-5页单独存成一个PDF）。

我已经写出了部分代码，但还有两个关键问题没解决：

PDDocumentOutline outline = pdocument.getDocumentCatalog().getDocumentOutline();
for (PDOutlineItem item : outline.children()) {
    String pageTitle=item.getTitle(); // 获取到主题名称，比如“主题1”
    PDPage destinationPage=item.findDestinationPage(pdocument);
    // 问题1：如何获取页面的实际页码？
    // 问题2：如何获取目标引用的页面范围字符串，即类似“第1-5页”的内容？
}

解决方案 #

1. 获取页面的实际页码

PDF里的PDPage本身没有直接存储显示页码，因为物理页面顺序和逻辑显示页码可能不一致（比如前几页用罗马数字，后面用阿拉伯数字），可以分两种情况处理：

物理页码（文档实际页面顺序）

直接通过文档的页面列表索引计算，索引从0开始，加1就是物理页码：

List<PDPage> allPages = pdocument.getPages();
// 找到目标页面在列表中的索引
int pageIndex = allPages.indexOf(destinationPage);
// 物理页码 = 索引 + 1
int physicalPageNum = pageIndex + 1;

逻辑页码（PDF显示的自定义页码）

如果需要获取PDF里实际显示的页码（比如“III”“5”），可以用PDPageLabels来读取：

PDPageLabels pageLabels = pdocument.getDocumentCatalog().getPageLabels();
String logicalPageNum = pageLabels.getPageLabel(pageIndex);

2. 获取主题对应的页面范围

PDF的大纲（Outline）条目通常只指向主题的起始页，结束页需要通过下一个大纲条目的起始页推断，具体实现如下：

List<PDPage> allPages = pdocument.getPages();
PDOutlineItem[] outlineItems = outline.children();

for (int i = 0; i < outlineItems.length; i++) {
    PDOutlineItem currentItem = outlineItems[i];
    String topicName = currentItem.getTitle();
    
    // 获取当前主题的起始页索引
    PDPage startPage = currentItem.findDestinationPage(pdocument);
    int startIndex = allPages.indexOf(startPage);
    
    // 计算当前主题的结束页索引
    int endIndex;
    if (i == outlineItems.length - 1) {
        // 最后一个主题，结束页是文档的最后一页
        endIndex = allPages.size() - 1;
    } else {
        // 非最后一个主题，结束页是下一个主题起始页的前一页
        PDOutlineItem nextItem = outlineItems[i + 1];
        PDPage nextStartPage = nextItem.findDestinationPage(pdocument);
        endIndex = allPages.indexOf(nextStartPage) - 1;
    }
    
    // 转换为显示的页码范围
    int startPageNum = startIndex + 1;
    int endPageNum = endIndex + 1;
    System.out.printf("主题：%s，页面范围：第%d-%d页%n", topicName, startPageNum, endPageNum);
}

如果你的PDF大纲条目本身带有明确的页面范围（比如通过命名目标指定），可以尝试解析目标对象：

PDDestination dest = currentItem.getDestination();
if (dest instanceof PDPageDestination) {
    PDPageDestination pageDest = (PDPageDestination) dest;
    // 这里可以进一步解析目标的详细参数，部分复杂目标可能包含范围信息
}

3. 按主题拆分PDF

拿到页面范围的索引后，就可以创建新的PDF文档并保存：

// 以当前主题的页面范围为例
PDDocument newSubDoc = new PDDocument();
for (int j = startIndex; j <= endIndex; j++) {
    // 注意：addPage会复制页面引用，不会修改原文档
    newSubDoc.addPage(allPages.get(j));
}
// 保存为单独的PDF文件
newSubDoc.save(topicName + ".pdf");
newSubDoc.close();

额外说明 #

如果你的PDF索引是单独页面里的文本内容（不是大纲结构），那需要先提取索引页的文本，用正则表达式匹配主题和页码范围（比如匹配主题1：第(\d+)-(\d+)页这样的格式），再按照上述方法拆分页面。

内容的提问来源于stack exchange，提问作者Lez