PDFPatcher
PDFPatcher copied to clipboard
wmjordan
自动生成书签功能增加按文本模式筛选标题
茅台股份2020年 年报 https://www.moutaichina.com/maotaigf/resource/cms/article/408431/509361/2021033108591131837.pdf 年报格式很标准，麻烦大佬看下！ 这里有茅台其他年份的报告
我看了一下，后面的这个使用PDFPatcher很好办啊，找几个标题右键添加就可以了。但是茅台那个不太好办，因为它的次级标题和其它内容比较混杂。
简单实现的话 我觉得是不是可以
- 一级目录按照现有方法识别
- 确定是不是二三级目录，通过判断 是否粗体？是否只有一行？开始位置是否包含 特殊字符（ 1-9,大写数字 小括号等字符）
我用Foxit PDF Editor和mutools调试了下茅台年报的pdf，发现粗体文字有以下特征： Foxit PDF Editor： 粗体：文本模式是填充然后笔画文本 普通：文本模式是填充文本 mutools： 粗体： pdf-interpret.c op_TJ /* text showing */ case B('T','J'): if (proc->op_TJ) proc->op_TJ(ctx, proc, csi->obj); break; 普通： pdf-interpret.c op_rg case B('r','g'): if (proc->op_rg) proc->op_rg(ctx, proc, s[0], s[1], s[2]); break; 查阅PDF Reference后，有如下描述和示例： TJ: 正常使用Tj和其他字形绘制操作导致黑色填充字形被绘制。通过常规字形操作和结合字体操作可以获得其他效果。 rg: 0.0 1.0 0.0 rg % Set nonstroking color to green
基于以上分析，应该可以通过这2个op的区别来区分普通还是粗体。 @wmjordan
@mokacao 非常感谢您的参与，但实际情况不是你上面所说的那样的。
我已经用 PDF 补丁丁的“文档结构探查器”来分析过那个文档。那个文档是通过描边线来实现粗体效果的。
我得再花一些时间来分析是否有可能用 MuPDF 来解析文档的渲染过程。它目前提供的结构文本接口并不够用，要更深入地介入渲染过程（可能要借助 device）来获取所需要的信息。
各位朋友，PDF补丁丁今天有了一个新的测试版本。 它增强了自动生成书签的功能，针对字体尺寸相同的场合，允许通过匹配特定模式的标题来指定书签的级别。这个功能还不完善，后面还会继续优化。
先添加一个要自动生成书签的样式到自动生成书签列表，指定它的标题级别。
然后，选择“文本识别模式”中已定义好的标题样式。
再添加另一个自动生成书签的样式到自动生成书签列表，指定它的标题级别，然后，再选择“文本识别模式”中已定义好的标题样式。
请记得取消“合并相同字体尺寸的标题”选项。
祝各位网友的母亲节日快乐！