python - 使用pyPDF从文档中检索页码

目前，我正在考虑与pyPdf进行一些PDF合并，但有时输入的顺序不正确，因此我正在寻找每个页面的页码，以确定其应进入的顺序(例如，如果有人将一本书分成20张10页的PDF，我想将它们放回去)。

我有两个问题-1.)我知道有时页码存储在文档数据中的某个位置，因为我看到在Adobe上呈现的PDF格式为[1243](150个中的10个)，但是我已阅读此类文档被放入pyPDF中，我找不到任何指示页码的信息-该文件存储在哪里？

2.)如果没有1号途径，我想我可以遍历给定页面上的对象以尝试找到页码-可能是它自己的对象中只有一个数字。但是，我似乎找不到确定对象内容的任何明确方法。如果我运行:

pdf.getPage(0).getContents()

这通常会返回:

{'/Filter': '/FlateDecode'}

或返回IndirectObject(num，num)对象的列表。我真的不知道该如何处理这些，据我所知，也没有真正的文档。有没有人熟悉这种可以为我指明正确方向的事情？

最佳答案

有关完整文档，请参见Adobe的978页PDF Reference。 :-)

更具体地说，PDF文件包含元数据，该元数据指示如何将PDF的物理页面映射到逻辑页码以及应如何格式化页码。这是您获得规范结果的地方。示例2 of this page显示了它在PDF标记中的外观。您必须将其捕获，解析并自己执行映射。

在PyPDF中，要获取此信息，请尝试作为起点:

pdf.trailer["/Root"]["/PageLabels"]["/Nums"]

顺便说一句，当您看到IndirectObject实例时，可以调用其getObject()方法来检索所指向的实际对象。

如您所说，您可以选择检查文本对象并尝试找出哪个是页码。您可以为此使用页面对象的extractText()，但是您将返回一个字符串，并且必须尝试从中找出页面编号。 (当然，页码可能是罗马的或字母的，而不是数字的，有些页面可能没有编号。)相反，请查看extractText()的实际工作方式(毕竟PyPDF是用Python编写的)并使用它作为例程的基础，该例程分别检查页面上的每个文本对象以查看其是否像页码。警惕上面有很多页码的TOC/索引页!

关于python - 使用pyPDF从文档中检索页码，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/12360999/