使用pyPDF从文档中检索页码

使用pyPDF从文档中检索页码

有关完整文档，请参见Adobe的978页PDF参考。:-)

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。该页面的示例2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，当您看到一个

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

extractText()

为此使用page对象，但是您将获得一个字符串，并且必须尝试从中找出页码。（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，请看看

extractText()

其工作的实际效果（毕竟PyPDF是用Python编写的）并将其用作例程的基础，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目录/索引页面！