PDF 目录页能点，抽取后却丢了层级怎么办

本文使用合成样本演示处理方法。代码已通过隔离环境中的示例检查；这不代表对所有真实文件或产品效果的保证。处理重要文件前，请保留原件，并按文中的边界与验收项复核。 这篇先解决哪一个问题 书签层级必须先检查再写入。第一项为一级，后续最多比前一项增加一级；示例拒绝非法层级和越界页码，不自动改层级伪造目录结构。书签页码从一开始，页面索引通常从零开始。 自包含的合成示例 依赖见导入列表。代码在内存中构造输入；运行记录单独提供，不代表对所有真实文件的保证。 import pymupdf def validate(rows, pages): previous = 0 for level, title, page in rows: if type(level) is not int or level < 1 or level > previous + 1: raise ValueError("invalid hierarchy") if type(page) is not int or not 1 <= page <= pages: raise ValueError("invalid destination") if not isinstance(title, str) or not title.strip(): raise ValueError("empty title") previous = level return rows with pymupdf.open() as doc: for _ in range(3): doc.new_page() rows = [[1, "Chapter", 1], [2, "Section", 2], [1, "Appendix", 3]] doc.set_toc(validate(rows, doc.page_count)) assert doc.get_toc() == rows assert len(doc.get_toc()) == 3 for bad in [[[2, "Bad", 1]], [[1, "Bad", 99]], [[1, "", 1]]]: try: validate(bad, doc.page_count) except ValueError: pass else: raise AssertionError("invalid outline accepted") PDF 目录页能点，抽取后却丢了层级怎么办 在PDF阅读器中点击目录跳转正常，但使用脚本提取后却发现层级扁平化、页码错位甚至抛出索引异常。这通常并非文件损坏，而是 get_toc() 返回的原始列表未经结构化校验所致。该方法默认输出 [level, title, page] 三元组列表，其中 page 是1-based物理页码，而 level 仅表示嵌套深度，不保证连续或合法。若源PDF由扫描合并工具生成，常出现层级跳跃（如从1直接到3）、页码为0或超出总页数、标题含控制字符等问题。直接用于下游任务会导致翻译分段错乱或链接失效。更隐蔽的问题是，某些PDF虽然视觉上有目录页，但并未嵌入书签元数据，此时 get_toc() 返回空列表属正常现象，需改用文本布局分析而非盲目重试。 合成示例中的正确与错误输入处理 以下合成示例展示典型边界情况。正确输入应为层级连续、页码在 [1, doc.page_count] 范围内的三元组列表。例如 [[1, "引言", 1], [2, "背景", 2], [1, "方法", 5]] 是合法的，尽管第二级出现在第一级之后，但符合PDF大纲语法。错误输入包括：层级为0或负数、页码为0、页码超过总页数、标题为空字符串或仅含空白符。处理方式应为：跳过页码无效项并记录警告；将层级<1的项强制设为1；对空标题保留占位符如 [untitled] 以维持结构完整性；不因单个错误中断整个TOC解析。注意，这些规则是为保障下游流程鲁棒性而设，并非PDF标准强制要求。实测发现，当页码越界时PyMuPDF会打印警告但不抛异常，因此校验函数必须主动过滤而非依赖库行为。 验收标准与人工审查边界 观察现象 处理决定 是否适用自动化 页码=0 或 >总页数 丢弃该条目，记录日志 是 层级<1 或非整数 强制设为1 是 标题全空白或纯符号 替换为[untitled] 是 层级跳跃（如1→3） 保留原始层级，不补中间层 是（结构合法） 同一标题对应多个不同页码 标记为歧义，转人工 否 TOC条目数>200且无层级变化 怀疑OCR误识别，需人工核对 否 包含外部URI或JavaScript动作 过滤非页面跳转项 是（安全策略） EPUB等重排文档页码为(chapter,pno) 不适用本页码校验逻辑 否（需专用处理） 注意：此表仅针对PDF目录元数据提取环节。若PDF本身无书签但视觉上有目录页，则 get_toc() 返回空列表属正常现象，此时需改用文本布局分析，不属于本节范围。代码演示仅校验结构合法性，端到端效果还需结合渲染验证跳转准确性。 参考资料与下一步 PyMuPDF Document.get_toc 官方文档: https://pymupdf.readthedocs.io/en/latest/document.html#Document.get_toc 建议下一步：准备一份含已知目录问题的测试PDF，运行上述校验脚本，统计各类异常占比；若高频出现层级跳跃或页码偏移，考虑在翻译前增加TOC重建步骤。 将这份检查清单用于文档翻译 先把页面顺序、来源位置与文本完整性检查清楚，再把同一份脱敏样本交给翻译流程。译后仍要检查标题、正文和图注是否正确对应，不能只看文字是否通顺。 OmniDoc（产品入口） 提供多格式文档翻译入口，官网介绍了 OCR、术语表与双语对照功能。对希望直接从文件开始处理的团队，这是一条值得用实际样本评估的路径。请使用有权上传的脱敏文件，并用本篇的检查项复核结果；这里不声称 OmniDoc 使用了本文的开源库或内部算法，也不以示例代替产品性能测试。 - 1 -