PDFにoutlineをつけるスクリプト

add_outline_to_pdf.py

# PDFにoutlineをつけるスクリプト
#
# 概要:
#  PDFファイルの本文中にある目次の文字列を解析し、
#  解析結果を元にPDFにアウトラインを設定する
# セットアップ:
#  pip install pdfminer.six
#  pip install pdfrw
#  pip install reportlab
# 実行方法:
#  1. input.pdfファイルをカレントディレクトリに配置
#  2. スクリプトを実行
#      python add_outline_to_pdf.py
# パラメータの設定:
#  本スクリプトの「設定項目」以降にある変数で指定する
# 参考:
#  https://inudaisho.hatenablog.com/entry/20120611
#  https://buildersbox.corp-sansan.com/entry/2020/06/09/110000


import io
import re
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfrw import PdfReader
from pdfrw.buildxobj import pagexobj
from pdfrw.toreportlab import makerl
from reportlab.pdfgen.canvas import Canvas

# 設定項目
# 入力ファイル名
input_pdf = "input.pdf"
# 出力ファイル名
output_pdf = "out.pdf"
# 1ページ目の開始位置 (表紙分などページ開始位置をずらす)
page_shift = 0
# 目次のリーダー線 (ここで指定した文字列があるページ・行を目次として扱う)
leader_char = '....'
# 目次を解析する正規表現、対象レベル分指定
re_list = [
    r'第\s+([0-9]*)\s+章\s+(.*)\s+\.\.\.\.+\s+([0-9]+)\s+',
    r'([0-9]+\.[0-9]+)\s+(.*)\s+\.\.\.\.+\s+([0-9]+)\s+',
    r'([0-9.]*)\s+(.*)\s+\.\.\.\.+\s+([0-9]+)\s+',
]


# 目次の解析
def parse_outline(input_file: str, leader_str: str, re_levels: list):
    rsrcmgr = PDFResourceManager()

    outlines = []
    with open(input_file, "rb") as fp:
        index_page = False
        for pidx, page in enumerate(PDFPage.get_pages(fp)):
            out_fp = io.StringIO()
            device = TextConverter(
                rsrcmgr,
                out_fp,
                laparams=LAParams(),
                imagewriter=None
            )
            interpreter = PDFPageInterpreter(rsrcmgr, device)
            interpreter.process_page(page)
            out_fp.seek(0)
            page_str = out_fp.read()
            if leader_str in page_str:
                index_page = True
                for ln in page_str.split('\n'):
                    for lv, re_lv in enumerate(re_levels):
                        m = re.match(re_lv, ln)
                        if m is None:
                            continue
                        title_num, title_str, page_num = m.groups()
                        title = "{} {}".format(title_num, title_str)
                        outlines.append([title, int(page_num) - 1, lv + 1])
                        break
            elif index_page:
                break
    return outlines


# 目次の設定
def add_outline(input_file: str, output_file: str, outlines: list, page_shift: int = 0):
    pages = PdfReader(input_file, decompress=False).pages
    out_canvas = Canvas(output_file)

    out_canvas.bookmarkPage("0")
    out_canvas.addOutlineEntry(u"目次", "0")
    for idx, page in enumerate(pages):
        out_page = pagexobj(page)
        out_canvas.setPageSize(tuple(out_page.BBox[2:]))
        out_canvas.doForm(makerl(out_canvas, out_page))
        target_outlines = [d for d in outlines if idx + page_shift == int(d[1])]
        for bookmark_idx, outline_data in enumerate(target_outlines):
            out_bookmark = str(idx) + "p-" + str(bookmark_idx)
            out_canvas.bookmarkPage(out_bookmark)
            out_canvas.addOutlineEntry(outline_data[0], out_bookmark, outline_data[2])
        out_canvas.showPage()

    out_canvas.showOutline()
    out_canvas.save()


if __name__ == '__main__':
    outline_list = parse_outline(input_pdf, leader_char, re_list)
    add_outline(input_pdf, output_pdf, outline_list, page_shift)