如何用Python脚本把多个PDF合并并自动生成书签目录-Python教程-PHP中文网

应优先解析pdf自带大纲（outline），再fallback正则+字体特征识别标题；合并时用pypdf重映射书签页码并维持层级；目录页需手动插入带链接的新页面，注意页码偏移。

如何用python脚本把多个pdf合并并自动生成书签目录

直接用 pdfplumber 逐页提取文本再匹配标题，极易漏掉无文字的扫描版 PDF，或把页眉页脚、表格内容误判为标题。真正可靠的方式是优先利用 PDF 自带的结构信息——也就是 PyPDF2 或更新的 pypdf 提供的 outline（大纲）解析能力。

实操建议：

先尝试用 reader.outline 读取原始 PDF 的书签结构（如果存在），它返回的是嵌套的 Destination 或 OutlineItem 对象，含标题、目标页码、层级等字段
若原始 PDF 没有书签（如纯扫描件），再 fallback 到基于规则的文本识别：比如正则匹配「第[一二三四]章」、「1\. 」、「\d+\s+[\u4e00-\u9fa5]+」这类模式，并结合字体大小、居中/加粗特征（需 pdfplumber 配合 page.chars 分析）
避免全文模糊搜索“目录”二字定位目录页——很多 PDF 目录是图片或非标准排版，成功率极低

PyPDF2 旧版对书签处理较弱，容易丢失层级或页码偏移错乱；pypdf（v3.0+，PyPDF2 的继任者）的 add_outline_item 和 add_outline_item_to_page 接口更可控，且能自动修正跨文档的页码偏移。

关键步骤：

Python Use Agent

智能执行Python任务，自动生成、执行代码并反馈结果，无需额外配置，兼容旧命令。

下载

用 PdfReader 分别加载每个源 PDF，遍历其 outline，用 get_destination_page_number() 获取原页码
每合并一个文件前，记录当前总页数 offset，将原书签页码 + offset 得到新位置
调用 merger.add_outline_item(title, page_number, parent=parent) 逐条重建，注意用 parent 参数维持缩进层级（首次传 None，子项传上一级返回值）
不推荐用 merger.append() 后统一加书签——页码映射易出错，尤其当某 PDF 有非连续页码（如含封面、版权页跳号）

用户常混淆“PDF 内置书签”和“可视化的目录页”。前者是侧边栏可点击的导航树，后者是实际插入的一张 PDF 页面，含文字+超链接。两者可共存，但生成方式完全不同。

若需自动生成带跳转链接的目录页：

用 reportlab 或 fpdf2 新建一页 PDF，循环写入标题文字，并用 link = canvas.linkRect(...) 或 pdf.set_link(...) 绑定到对应页码
链接目标页码必须是最终合并后文档内的绝对页码（从 0 开始），不是原文件页码
注意：插入的目录页本身会增加总页数，所以后续所有书签页码要再 +1（如果目录页插在最前面）
不要试图用 pypdf 把 HTML 渲染成 PDF 目录页——渲染质量差、中文支持弱、链接难控制

常见报错如 UnicodeDecodeError: 'gbk' codec can't decode byte 或 FileNotFoundError，根本原因不是 Python 代码，而是 Windows 下默认 shell 编码和路径空格/中文处理不当。

安全做法：

输入路径统一用 pathlib.Path 处理，例如 list(Path(".").glob("*.pdf"))，避免字符串拼接
文件名含中文时，确保终端（CMD/PowerShell）已执行 chcp 65001 切换 UTF-8，或直接用 VS Code 终端（默认 UTF-8）
不要用 os.system("pdftk ...") 调外部工具——pdftk 已停止维护，且不支持新 PDF 标准，书签全丢
调试阶段加一句 print(f"Adding {pdf_path.name} → offset {offset}")，确认文件顺序和页码累加逻辑是否符合预期

合并 PDF 并生成书签这件事，难点不在代码长度，而在对 PDF 结构模型的理解：书签本质是独立于页面内容的元数据树，页码是逻辑索引而非物理位置，而扫描件和印刷体 PDF 的“标题”根本不存在于文本层——这些细节一旦忽略，自动化就变成随机匹配。