从pdf文件中的锚链接目标获取页码

pes8fvy9  于 2021-08-20  发布在  Java
关注(0)|答案(0)|浏览(310)

我使用pyppeteer（python puppet Package 器）从html生成pdf文件。这个效果很好。
但现在我想生成动态目录。关于这个主题，我读了很多小时，最后我意识到这不是一个简单的解决办法。因为没有内置的方法来获取特定页面的页码 <h1> 标记或其他目标元素。
完美的解决方案是 target-counter 功能来自分页媒体模块级别3，但浏览器不支持该功能。
我也尝试过像paged.js这样的polyfill解决方案，但这种解决方案还有其他问题和限制，与我的项目相冲突。
其他现有的从html生成PDF的解决方案，如wkhtmltopdf，都存在不支持现代css或javascript的问题。
经过所有的研究，我认为通过Pypetteer使用chrome生成PDF是满足我需求的最佳和健壮的解决方案。
但是在这一点上，我仍然有toc中页码的问题。我发现了这篇文章，它描述了使用chrome生成toc的一般思想。
我当前的示例html：

  1. <!DOCTYPE html>
  2. <html lang="de">
  3. <head>
  4.     <meta charset="UTF-8">
  5.     <title>Page numbers</title>
  6.     <style>
  7.         #list-toc-generated {
  8.             list-style: none;
  9.         }
  11.         #list-toc-generated .toc-element {
  12.             break-inside: avoid;
  13.         }
  15.         #list-toc-generated .toc-element a {
  16.             text-decoration: none;
  17.             color: #000000;
  18.         }
  20.         #content {
  21.             break-before: page;
  22.         }
  24.         * {
  25.             font-family: 'Roboto', sans-serif !important;
  26.         }
  27.     </style>
  28. </head>
  29. <body>
  30.     <div id="toc">
  32.     </div>
  33.     <div id="content">
  34.         <h1>First</h1>
  36.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  37.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  38.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  39.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  40.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  41.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  42.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  43.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  44.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  45.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  46.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  47.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  48.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  49.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  50.         <h1>Second Title</h1>
  52.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  53.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  54.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  55.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  56.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  57.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  58.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  59.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  60.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  61.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  62.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  63.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  64.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  65.         <br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br><br>
  66.         <h1>Last Site</h1>
  67.     </div>
  69.     <script>
  70.         function createToc(config){
  71.             const content = config.content;
  72.             const tocElement = config.tocElement;
  73.             const titleElements = config.titleElements;
  75.             let tocElementDiv = content.querySelector(tocElement);
  76.             let tocUl = document.createElement("ul");
  77.             tocUl.id = "list-toc-generated";
  78.             tocElementDiv.appendChild(tocUl);
  80.             let tocElementNbr = 0;
  81.             for(var i= 0; i < titleElements.length; i++){
  83.                 let titleHierarchy = i + 1;
  84.                 let titleElement = content.querySelectorAll(titleElements[i]);  
  86.                 titleElement.forEach(function(element) {
  87.                     element.classList.add("title-element");
  88.                     element.setAttribute("data-title-level", titleHierarchy);
  90.                     tocElementNbr++;
  91.                     idElement = element.id;
  92.                     if(idElement == ''){
  93.                         element.id = 'title-element-' + tocElementNbr;
  94.                     } 
  95.                     let newIdElement = element.id;
  97.                 });
  99.             }
  101.             let tocElements = content.querySelectorAll(".title-element");  
  103.             for(var i= 0; i < tocElements.length; i++){
  104.                 let tocElement = tocElements[i];
  106.                 let tocNewLi = document.createElement("li");
  108.                 tocNewLi.classList.add("toc-element");
  109.                 tocNewLi.classList.add("toc-element-level-" + tocElement.dataset.titleLevel);
  111.                 let classTocElement = tocElement.classList;
  112.                 for(var n= 0; n < classTocElement.length; n++){
  113.                     if(classTocElement[n] != "title-element") {
  114.                         tocNewLi.classList.add(classTocElement[n]);
  115.                     }   
  116.                 }
  118.                 tocNewLi.innerHTML = '<a href="#' + tocElement.id + '">' + tocElement.innerHTML + '</a>';
  119.                 tocUl.appendChild(tocNewLi);  
  120.             }
  121.         }
  123.         createToc({content: document.body, tocElement: '#toc', titleElements: ["h1"]});
  124.     </script>
  125. </body>
  126. </html>

此文件为所有文件生成动态目录 <h1> 标签，这是非常好的工作。如果我用chrome生成pdf，我可以点击toc中的标题，pdf阅读器跳转到 <h1> 元素。
但是在这一点上，我不知道如何用python解析pdf并获得toc中链接的特定目标元素的页码。
我尝试了各种python库，例如pypdf2、pdfminer或pdfrw，但没有一个可以完成。也许问题在于我不完全理解pdf文件是如何构造的。
有人能帮我提取目标链接元素的页码吗？

pythongoogle-chromepdfpuppeteer

暂无答案！

目前还没有任何答案，快来回答吧！

我来回答

相关问题

    查看更多

    热门标签

    更多
    JavaquerypythonNode开发语言requestUtil数据库Table后端算法LoggerMessageElementParser

    最新问答

    更多
    • 蜀ICP备13028337号-1 大数据知识库 https://www.saoniuhuo.com © All rights reserved
    • 本站内容来源互联网,如果侵犯您的权益请联系我们删除, 联系方式：448109455@qq.com