本文介绍两种实用方法：一是利用 PyMuPDF 的 get_toc() 提取嵌入式目录（需 PDF 含逻辑书签），二是基于字体大小统计的启发式算法识别章节标题，适用于无结构目录的扫描版或排版规范的 PDF。
本文介绍两种实用方法：一是利用 pymupdf 的 `get_toc()` 提取嵌入式目录（需 pdf 含逻辑书签），二是基于字体大小统计的启发式算法识别章节标题，适用于无结构目录的扫描版或排版规范的 pdf。
在实际 PDF 文档处理中，“目录”（Table of Contents, TOC）并非总是以显式结构存在。有些 PDF（尤其是由 LaTeX 或专业排版软件生成）会将目录作为可交互的书签（Outline）嵌入文档元数据中；而多数扫描件或简易导出 PDF 则仅含纯文本，目录信息完全依赖视觉排版（如字号、加粗、居中等）。因此，提取目录需分场景应对。
✅ 方法一：提取嵌入式书签目录（推荐优先尝试）
PyMuPDF（fitz）提供了 Document.get_toc() 方法，可直接读取 PDF 内置的逻辑目录树，返回列表形式的层级结构 [level, title, page_number, ...]，其中 level 表示缩进层级（1=章，2=节，3=小节等）。
import fitz # pip install PyMuPDF
def extract_embedded_toc(pdf_path):
doc = fitz.open(pdf_path)
toc = doc.get_toc() # 返回 list of lists: [level, title, page]
doc.close()
return toc
# 示例调用
toc = extract_embedded_toc("book.pdf")
for level, title, page in toc:
indent = " " * (level - 1)
print(f"{indent}• {title} → p.{page}")⚠️ 注意事项：
- 该方法仅对含 Outline（书签）的 PDF 有效，常见于 Adobe Acrobat 手动添加或 LaTeX hyperref/bookmark 宏包生成的 PDF；
- 若返回空列表 []，说明 PDF 未嵌入目录结构，需转向方法二；
- page 为从 0 开始的索引，实际页码通常需 +1（但 PDF 页面编号可能不连续，建议结合 doc[page].get_text() 验证）。
✅ 方法二：基于字体大小的启发式标题检测（适用无结构 PDF）
当 PDF 不含书签时，可利用文本渲染属性（主要是 font_size）进行统计分析：正文通常使用统一字号（如 10–12pt），而标题普遍显著更大（如 16–24pt），且常居中、加粗或独占一行。
立即学习“Python免费学习笔记（深入）”；
核心思路：
- 提取每页所有文本块及其字体大小（block["size"]）；
- 统计全书出现频率最高的字号（即“正文基准字号”）；
- 将显著大于基准字号（如 ≥ 基准 × 1.4）的文本块视为潜在标题；
- 按页码和位置排序，辅以规则过滤（如长度 > 3 字符、非页眉页脚区域）。
import fitz
def extract_heuristic_toc(pdf_path, min_title_length=5, size_ratio_threshold=1.4):
doc = fitz.open(pdf_path)
all_sizes = []
page_texts = []
# 第一遍：收集所有文本块字号，用于计算基准字号
for page in doc:
blocks = page.get_text("dict")["blocks"]
for b in blocks:
if "lines" in b:
for line in b["lines"]:
for span in line["spans"]:
all_sizes.append(round(span["size"], 1))
if not all_sizes:
return []
# 计算众数（最频繁字号）作为正文基准
from collections import Counter
mode_size = Counter(all_sizes).most_common(1)[0][0]
threshold = mode_size * size_ratio_threshold
# 第二遍：提取超大字号文本作为候选标题
toc_candidates = []
for page_num, page in enumerate(doc):
blocks = page.get_text("dict")["blocks"]
for b in blocks:
if "lines" in b:
for line in b["lines"]:
for span in line["spans"]:
if span["size"] >= threshold:
text = span["text"].strip()
if len(text) >= min_title_length and not text.isdigit():
toc_candidates.append({
"text": text,
"page": page_num + 1, # 转为 1-based 页码
"size": span["size"],
"x": span["bbox"][0], # 左侧坐标，可用于判断是否居中
"y": span["bbox"][1]
})
doc.close()
# 简单去重（相邻页相同标题可能重复）
seen = set()
unique_toc = []
for item in sorted(toc_candidates, key=lambda x: (x["page"], x["y"])):
if item["text"] not in seen:
seen.add(item["text"])
unique_toc.append((item["text"], item["page"]))
return unique_toc
# 使用示例
titles = extract_heuristic_toc("book.pdf")
for title, page in titles[:20]: # 仅显示前20项
print(f"[p.{page}] {title}")? 提升准确率的小技巧：
- 结合 span["flags"] 判断是否加粗（flags & 2**4 != 0 表示 bold）；
- 过滤掉出现在页面顶部/底部固定区域（如页眉页脚）的文本；
- 对候选标题做简单 NLP 清洗（去除末尾页码、罗马数字编号等）；
- 若章节标题格式统一（如 “Chapter 1: Introduction”），可用正则预筛选。
总结
| 方法 | 适用 PDF 类型 | 准确率 | 是否需额外训练 | 推荐场景 |
|---|---|---|---|---|
| get_toc() | 含书签的 PDF（LaTeX/Adobe 生成） | ★★★★★ | 否 | 优先尝试，零配置即用 |
| 字号启发式 | 排版规范的印刷体 PDF（非扫描件） | ★★★☆☆ | 否 | 无书签但标题字号突出 |
| OCR + Layout Analysis | 扫描版 PDF | ★★☆☆☆ | 是（需 pdfplumber + layoutparser） | 仅当上述均失效时考虑 |
建议流程：先运行 get_toc()，若返回非空结果则直接采用；否则启用启发式方法，并人工校验前几章结果——多数技术书籍和教材在此策略下可获得可靠目录结构。
