在命令行上导出PDF页面标签

Question

为了便于解析，我想导出一些PDF文档中存储的页面标签。我知道我可以在将PDF文档与qpdf转换后深入研究它，但这似乎有点过火了。

是否没有命令行工具可以简单地打印每个页面的页面标签(或者与其他元数据一起)？我知道PDFSpy会输出标签，但是300美元不是一种选择，最好是免费的解决方案。

Answer 1

简短回答：

我不知道有任何(免费)工具可以为每一页“打印”页面标签。

此外，您将无法避免扩展压缩对象和对象流，使用像qpdf这样的工具或具有同等功能的工具。

长答案：

没有这样的工具，因为当涉及到页面标签时，这些是您唯一可以安全依赖的东西。这些建议如下：

1. 每个PDF文档必须包含一个根对象。
2. 根对象必须为/Type /Catalog。
3. 文档的预告片将显示使用键/Root查找对象的位置，后面跟着间接的对象编号引用。
4. 如果文档使用非标准的页面标签，那么文档根对象必须有一个名为/PageLabels的条目。

这里是它停止相对容易的地方。因为/PageLabels键引用的对象可能包含在压缩的对象流中。这意味着您必须扩展该对象流。

如果您真的成功地将页面标签描述为ASCII，您会发现它不是一个容易解析的平面列表(就像dictionary那样)：它是一个数字树。

我将不讨论这些复杂性的细节，因为描述所有可能的变体需要一篇非常长的文章。您最好在正式ISO PDF-1.7规范中直接阅读它。

但是，我将在ASCII PDF代码中给出一个示例：

213 0 obj
  << /Type /Catalog
     /PageLabels 
        << 
           /Nums 
                 [ 
                   0 <<           % start labeling from page no. 1
                       /S /r      % label with lowercase roman numbers
                     >> 
                   7 <<           % start new labeling from page no. 8
                       /S /D      % label with standard decimal numbers
                     >> 
                   11 <<          % start labeling page no. 12
                       /S /D      % label with decimal numbers...
                       /P (ABCD-) %   ...but using label prefix 'ABCD-'...
                       /St 3      %   ...followed by '3' as the start decimal.
                     >>
                  ]
        >>
     %%...........................
     %%...more root object keys...
     %%........................... 
  >>
endobj

上面的例子将标注页码1，2，3，.(最后)像这样：

i
ii
iii
iv
v
vi
1
2
3
4
ABCD-3
ABCD-4
ABCD-5
ABCD-6
...and so on until last page...

正如您所看到的，PDF标记页面的方法(将页码映射到页面名称)是完全不直观的。您只能通过学习PDF规范来理解它。

Answer 2

我编写了一个基于Poppler的小型命令行实用程序，它只执行以下任务：https://github.com/HeimMatthias/pdfpagelabels

免责声明:我是OP，并创建了一个不同的帐户下的原始帖子。多年来，我一直通过pdftk (在上面的注释中列出)成功地在我的实现中使用解决方案。然而，去年是从零开始重新实现我们的系统的时候了，我们已经有过很多情况，我们的实现无法解析pdf-tk输出。

新的命令行工具遵循只做一件事，但做得好的理念，只需打印pdf文件中所有或选定页面的页面标签。如果有人发现这是有用的，在这里偶然发现，那就更好了。