我之前处理PDF索引提取的时候也踩过Tika缩进的坑，它对非标准空格或者定位式缩进的识别确实拉胯。给你两个亲测有效的方案，能搞定层级拆分和页码关联：

方案一：PyPDF2 + 缩进空格分析 #

如果你的PDF索引是用空格缩进来区分层级的，PyPDF2提取文本时大概率能保留原始空格结构，然后我们可以通过统计每行的前导空格数来判断类/子类层级：

import PyPDF2
import csv

def parse_index_to_csv(pdf_path, output_csv):
    # 读取PDF并提取索引页文本
    with open(pdf_path, 'rb') as pdf_file:
        reader = PyPDF2.PdfReader(pdf_file)
        # 假设索引在最后3页，可根据实际教材调整页码范围
        index_content = []
        for page in reader.pages[-3:]:
            lines = page.extract_text().split('\n')
            # 过滤空行和无效行
            index_content.extend([line for line in lines if line.strip()])
    
    # 解析层级并写入CSV
    current_category = ""
    with open(output_csv, 'w', newline='', encoding='utf-8') as csv_file:
        writer = csv.writer(csv_file)
        writer.writerow(["类", "子类", "页码"])
        
        for line in index_content:
            # 计算前导空格数
            leading_spaces = len(line) - len(line.lstrip())
            # 拆分主题和页码（假设页码在行尾为数字）
            line_parts = line.split()
            if not line_parts[-1].isdigit():
                continue
            page_number = line_parts[-1]
            topic = ' '.join(line_parts[:-1]).strip()
            
            # 根据空格数判断层级，阈值需根据你的PDF调整
            if leading_spaces <= 2:  # 类层级
                current_category = topic
            else:  # 子类层级
                writer.writerow([current_category, topic, page_number])

# 调用示例
parse_index_to_csv("your_textbook.pdf", "index_result.csv")

方案二：PDFPlumber + 文本位置定位 #

如果你的PDF索引是用固定位置缩进（不是空格，而是文本块的x坐标偏移），Tika完全识别不出来这种结构，但PDFPlumber可以精准获取每个文本块的位置信息，通过x坐标来区分层级：

import pdfplumber
import csv

def parse_index_with_position(pdf_path, output_csv):
    with pdfplumber.open(pdf_path) as pdf:
        # 指定索引页范围
        index_pages = pdf.pages[-3:]
        current_category = ""
        # 自定义x坐标阈值，需要打开PDF查看实际类/子类的起始x值
        category_x_threshold = 45
        subcategory_x_threshold = 65
        
        with open(output_csv, 'w', newline='', encoding='utf-8') as csv_file:
            writer = csv.writer(csv_file)
            writer.writerow(["类", "子类", "页码"])
            
            for page in index_pages:
                # 按行提取文本块，保留位置信息
                for text_line in page.extract_text_lines():
                    line_text = text_line['text'].strip()
                    if not line_text:
                        continue
                    # 拆分主题和页码
                    line_parts = line_text.split()
                    if not line_parts[-1].isdigit():
                        continue
                    page_number = line_parts[-1]
                    topic = ' '.join(line_parts[:-1]).strip()
                    
                    # 根据x坐标判断层级
                    if text_line['x0'] < category_x_threshold:
                        current_category = topic
                    elif text_line['x0'] >= subcategory_x_threshold:
                        writer.writerow([current_category, topic, page_number])

# 调用示例
parse_index_with_position("your_textbook.pdf", "index_result.csv")

关键调试提示 #

1. 先确定你的教材索引所在的页码范围，别把正文内容也混进去；
2. 调整层级判断的阈值：用方案一就数清楚类/子类的前导空格数，用方案二就用PDFPlumber的调试模式（page.debug_table()）查看文本块的x坐标；
3. 如果页码格式特殊（比如带字母、罗马数字），可以把isdigit()改成正则匹配，比如re.match(r'[\dIVXLCDM]+$', line_parts[-1])；
4. 要是有多层级（子类下还有子子类），可以增加更多阈值来区分不同层级。

内容的提问来源于stack exchange，提问作者Aryan