最近又在看一些pdf书，但大多数都是扫描版，没目录书签真的很恼火，想找点内容都必须拉到顶部看下目录的页码，然后再去定位。
因此我就想能不能通过python写个脚本，把目录导进去。
实现思路我需要获得目录 为达到这个目的，想到下面几种方案。截图。通过orc识别，如QQ截图的识别，或者其他识别工具，从扫描版上获取目录。
书籍网站上找目录-如http://img.lvdanban.wang/upload/pic/2022-11-20/21pdewlujwx
程序集成orc库来扫描整个pdf获取目录。
我需要有一个现成的pdf库，来供我读取和操作pdf文件这玩意百分之百有，github上一找就找到了一个叫做Pypdf3的东西
编码思路从网上找到目录我这里是手动复制，其实也可以使用爬虫，这样只需要输入网页地址即可。 这里选择该方案主要我还没有动力去了解orc扫描。但orc扫描应该是最优方案了。
导入目录，依靠正则表达式做数据清洗。生成树形结构请小心中文乱码。
ps：正则表达式的?操作pdf加标签
网上下载下来的目录需要核实对不对得上。有可能你找的电子书版本和你手头上的电子书版本对不上。
核实手头上的电子书内容的页码和在pdf中的实际页码的偏移量。这影响了你标签加的准不准。
输出文件，这基本就完事了，然后再把它搞成shell脚本凑合着也就能用了一些缺陷数据清洗其实挺麻烦的，因为目录结构无法保证是一致的
输出的文件还是有一点偏差，不过偏差不大就是了。
从网上找目录也不是一个稳妥的方案，只能说是临时方案，所以还是得搞orc扫描
一些请求哇，兄弟，这玩意还是要有专业的工具比较靠谱。
有哪些优秀的orc库，或者说可以直接生成目录的工具请告知啊。
peace and love。