前言

最近在做標(biāo)書(shū)的時(shí)候發(fā)現(xiàn)，有些文檔文字量很大，想讓大模型完全解讀不太現(xiàn)實(shí)，先不說(shuō) context 長(zhǎng)度夠不夠，首先 token 消耗量就爆炸了

于是想到使用取巧的方式，提取 PDF 的目錄來(lái)進(jìn)行分析，于是說(shuō)干就干，用 C# 寫(xiě)了一個(gè)工具來(lái)實(shí)現(xiàn)目錄提取，結(jié)果效果還不錯(cuò)

后續(xù)我又繼續(xù)完善這個(gè)工具，增加了語(yǔ)義識(shí)別等功能

繼續(xù)沿用 C# + AOT + GitHub Actions + dotnet tool + nuget 這套流程的開(kāi)發(fā)

項(xiàng)目地址: https://github.com/star-plan/pdf-toc-extractor

為什么是目錄提取

PDF 轉(zhuǎn) word、markdown 等格式的工具太多了

咱不卷這個(gè)賽道

（說(shuō)是這么說(shuō)，我最近也做了一個(gè)，不排除后續(xù)把 PDF 轉(zhuǎn)文檔的功能集成到這個(gè)項(xiàng)目里）

咱就專(zhuān)注于這個(gè)小眾的需求，把 PDF 目錄提取這個(gè)功能做好

后續(xù)又增加了語(yǔ)義識(shí)別功能，有些 PDF 并沒(méi)有內(nèi)嵌目錄，這時(shí)候就需要從 PDF 的內(nèi)容中分析提取出目錄。

我一開(kāi)始使用了模式匹配，結(jié)果效果很差，后面換成 NLP 的思路，雖然只是用了最簡(jiǎn)單的語(yǔ)義識(shí)別，但效果的提升非?？捎^(guān)！

可見(jiàn)選對(duì)工具還是很重要的

PdfTocExtractor

PdfTocExtractor 是一個(gè)純 C# AOT 實(shí)現(xiàn)的輕量級(jí)PDF目錄提取工具，用于從PDF文件中提取目錄（TOC）并導(dǎo)出為多種格式。支持Markdown、JSON、XML、純文本等格式，完全擺脫命令行依賴(lài)，無(wú)需額外的PDF處理工具，適合在 .NET 項(xiàng)目中內(nèi)嵌、分發(fā)或集成自動(dòng)化流程中使用。

通過(guò)PdfTocExtractor，您可以輕松從PDF文檔中提取書(shū)簽和目錄結(jié)構(gòu)，生成清晰的導(dǎo)航文檔。v2.0新增的語(yǔ)義分析功能讓您即使在PDF沒(méi)有嵌入書(shū)簽的情況下，也能通過(guò)基于NLP的智能分析自動(dòng)識(shí)別章節(jié)標(biāo)題，完美適用于文檔處理、內(nèi)容分析和自動(dòng)化工作流。

跨平臺(tái)、零依賴(lài)、極速提取，一切盡在 PdfTocExtractor！

功能特點(diǎn)

• 從PDF文件提取書(shū)簽/目錄信息
• 語(yǔ)義分析功能：基于NLP的智能章節(jié)標(biāo)題識(shí)別，適用于無(wú)書(shū)簽PDF
• 支持多種輸出格式：Markdown、JSON、XML、純文本
• 可配置的導(dǎo)出選項(xiàng)（層級(jí)深度、頁(yè)碼格式等）
• 可擴(kuò)展的導(dǎo)出器架構(gòu)，支持自定義格式
• 異步操作支持，高性能處理
• 提供命令行工具和NuGet包
• 支持AOT編譯，原生性能無(wú)需.NET運(yùn)行時(shí)
• 跨平臺(tái)支持：Windows、Linux、macOS
• 多種分析模式：默認(rèn)、嚴(yán)格、寬松模式可選

支持的輸出格式

• Markdown (md, markdown) - 適合文檔和網(wǎng)頁(yè)顯示，支持層級(jí)結(jié)構(gòu)
• JSON (json) - 適合程序處理和API集成，包含完整元數(shù)據(jù)
• XML (xml) - 結(jié)構(gòu)化數(shù)據(jù)交換，標(biāo)準(zhǔn)化格式
• Text (txt, text) - 純文本格式，簡(jiǎn)潔易讀

使用方法

依然和其他工具一樣

提供了 nuget 庫(kù)和 dotnet tool 命令行工具

可以作為庫(kù)引入使用，也可以在命令行使用

命令行

安裝 CLI 工具

dotnet tool install --global PdfTocExtractor.Cli

命令行使用

# ?? 智能提取（推薦）- 自動(dòng)選擇最佳方法
pdftoc smart document.pdf -o output.md

# ?? 提取PDF書(shū)簽（傳統(tǒng)方法）
pdftoc extract document.pdf -o output.md

# ?? 語(yǔ)義分析（v2.0新功能 - 適用于無(wú)書(shū)簽的PDF）
pdftoc semantic document.pdf -o output.md

# 指定輸出格式
pdftoc smart document.pdf -o output.json -f json

# 設(shè)置最大層級(jí)深度
pdftoc smart document.pdf -o output.xml --max-depth 3

# 自定義標(biāo)題和頁(yè)碼格式
pdftoc smart document.pdf -o output.txt --title "我的文檔目錄" --page-format "第 {0} 頁(yè)"

# 語(yǔ)義分析 - 嚴(yán)格模式（更精確的標(biāo)題識(shí)別）
pdftoc semantic document.pdf -o output.md --mode strict --confidence 0.7

# 語(yǔ)義分析 - 調(diào)試模式（查看分析過(guò)程）
pdftoc semantic document.pdf -o output.md --debug --verbose

# 結(jié)構(gòu)分析 - 寬松模式（識(shí)別更多潛在標(biāo)題）
pdftoc analyze document.pdf -o output.md --relaxed

# 結(jié)構(gòu)分析 - 自定義參數(shù)
pdftoc analyze document.pdf -o output.md --min-font-size 14 --use-bold --debug

# 智能提取 - 帶結(jié)構(gòu)分析配置
pdftoc smart document.pdf -o output.md --analysis-preset strict --debug-analysis

# 顯示詳細(xì)輸出
pdftoc smart document.pdf -o output.md --verbose

# 診斷PDF文件問(wèn)題
pdftoc diagnose document.pdf

作為庫(kù)使用

安裝核心庫(kù)

dotnet add package PdfTocExtractor

代碼示例

using PdfTocExtractor;
using PdfTocExtractor.Exporters;
using PdfTocExtractor.Models;

// 創(chuàng)建提取器實(shí)例
var extractor = new PdfTocExtractor();

// ?? 智能提?。ㄍ扑]）- 自動(dòng)選擇最佳方法
var tocItems = await extractor.ExtractTocSmartAsync("document.pdf");

// ?? 傳統(tǒng)方法：提取PDF書(shū)簽
var bookmarkItems = await extractor.ExtractTocAsync("document.pdf");

// ?? 結(jié)構(gòu)分析：適用于無(wú)書(shū)簽的PDF
var structureItems = await extractor.AnalyzeStructureAsync("document.pdf");

// ?? 結(jié)構(gòu)分析：使用自定義配置
var analysisOptions = new StructureAnalysisOptions
{
    MinFontSizeForHeading = 14f,
    UseBoldAsIndicator = true,
    MaxHeadingLevels = 4,
    RequireStandaloneHeadings = true,
    DebugMode = false
};
var customStructureItems = await extractor.AnalyzeStructureAsync("document.pdf", analysisOptions);

// ?? 使用預(yù)設(shè)配置
var strictItems = await extractor.AnalyzeStructureAsync("document.pdf", StructureAnalysisOptions.Strict);
var relaxedItems = await extractor.AnalyzeStructureAsync("document.pdf", StructureAnalysisOptions.Relaxed);

// 導(dǎo)出為Markdown
await extractor.ExportToFileAsync(tocItems, "output.md", "markdown");

// 導(dǎo)出為JSON（帶自定義選項(xiàng)）
var exportOptions = new ExportOptions
{
    MaxDepth = 3,
    IncludePageNumbers = true,
    CustomTitle = "文檔目錄"
};
await extractor.ExportToFileAsync(tocItems, "output.json", "json", exportOptions);

// 智能提取并直接導(dǎo)出
await extractor.ExtractSmartAndExportAsync("document.pdf", "output.xml",
    exportOptions: exportOptions,
    structureOptions: StructureAnalysisOptions.Default);

擴(kuò)展性

可以通過(guò)實(shí)現(xiàn) IExporter 接口來(lái)創(chuàng)建自定義導(dǎo)出器：

public class CustomExporter : IExporter
{
    public string FormatName => "Custom";
    public string FileExtension => "custom";

    public string Export(IEnumerable<TocItem> tocItems, ExportOptions? options = null)
    {
        // 實(shí)現(xiàn)自定義導(dǎo)出邏輯
        return "custom format content";
    }

    public async Task ExportToFileAsync(IEnumerable<TocItem> tocItems, string filePath, ExportOptions? options = null)
    {
        var content = Export(tocItems, options);
        await File.WriteAllTextAsync(filePath, content);
    }
}

// 注冊(cè)自定義導(dǎo)出器
extractor.RegisterExporter("custom", new CustomExporter());

技術(shù)實(shí)現(xiàn)

PdfTocExtractor 使用以下技術(shù)：

• .NET 9.0 - 現(xiàn)代化的.NET平臺(tái)
• iText 9.2.0 - 強(qiáng)大的PDF處理庫(kù)
• iText7.bouncy-castle-adapter 9.2.0 - 加密PDF支持（必需）
• Newtonsoft.Json 13.0.3 - JSON序列化
• System.CommandLine 2.0.0 - 命令行參數(shù)解析
• AOT編譯支持 - 原生性能，無(wú)需.NET運(yùn)行時(shí)

TODO 計(jì)劃

AI 增強(qiáng)功能

AI 目錄識(shí)別 - 使用機(jī)器學(xué)習(xí)技術(shù)識(shí)別沒(méi)有書(shū)簽/大綱數(shù)據(jù)的PDF文檔目錄結(jié)構(gòu)

• 集成 OCR 技術(shù)識(shí)別掃描版PDF中的目錄頁(yè)面
• 基于文本分析和格式識(shí)別的智能目錄提取
• 支持多語(yǔ)言目錄識(shí)別（中文、英文、日文等）
• 目錄層級(jí)結(jié)構(gòu)智能推斷
• 頁(yè)碼與目錄項(xiàng)的自動(dòng)匹配算法

Web 服務(wù)接口

RESTful API 開(kāi)發(fā) - 提供基于 HTTP 的 Web API 服務(wù)

• PDF 文件上傳接口
• 目錄提取 API 端點(diǎn)
• 多格式導(dǎo)出 API（JSON、XML、Markdown等）
• 批量處理接口
• 任務(wù)狀態(tài)查詢(xún)接口
• API 文檔和 Swagger 集成

Web 前端界面

現(xiàn)代化 Web UI - 開(kāi)發(fā)用戶(hù)友好的 Web 前端界面

• 拖拽式 PDF 文件上傳
• 實(shí)時(shí)目錄提取進(jìn)度顯示
• 目錄結(jié)構(gòu)可視化預(yù)覽
• 多格式導(dǎo)出選項(xiàng)界面
• 歷史記錄和文件管理
• 響應(yīng)式設(shè)計(jì)，支持移動(dòng)端訪(fǎng)問(wèn)

技術(shù)架構(gòu)優(yōu)化

微服務(wù)架構(gòu) - 將功能模塊化為獨(dú)立的微服務(wù)

• PDF 處理服務(wù)
• AI 識(shí)別服務(wù)
• 文件存儲(chǔ)服務(wù)
• 用戶(hù)管理服務(wù)
• 容器化部署支持（Docker）

高級(jí)功能

智能分析 - 提供更多文檔分析功能

• 文檔結(jié)構(gòu)分析和統(tǒng)計(jì)
• 目錄質(zhì)量評(píng)估
• 重復(fù)內(nèi)容檢測(cè)
• 文檔相似度比較
• 批量文檔處理和分析報(bào)告

企業(yè)級(jí)功能

安全和權(quán)限 - 企業(yè)級(jí)安全特性

• 用戶(hù)認(rèn)證和授權(quán)
• 文件訪(fǎng)問(wèn)權(quán)限控制
• 審計(jì)日志記錄
• 數(shù)據(jù)加密存儲(chǔ)
• API 訪(fǎng)問(wèn)限制和配額管理

小結(jié)

到這里，PdfTocExtractor 的核心能力已經(jīng)完整亮相：不管你的 PDF 有沒(méi)有書(shū)簽，都能一鍵生成結(jié)構(gòu)化目錄；想要命令行批處理還是在代碼里靈活調(diào)用，都不在話(huà)下。

在實(shí)際項(xiàng)目中，這個(gè)工具已經(jīng)幫我節(jié)省了大量手動(dòng)整理目錄的時(shí)間，也避免了 OCR 誤識(shí)別、格式混亂等繁瑣問(wèn)題。尤其是新版的 Smart 與 Semantic 雙引擎，既快又準(zhǔn)，真香！

當(dāng)然，項(xiàng)目還遠(yuǎn)遠(yuǎn)沒(méi)有到“終點(diǎn)”。后續(xù)的 AI 目錄識(shí)別、Web API、現(xiàn)代化 UI 乃至企業(yè)權(quán)限體系，都在 Roadmap 上等著逐步落地。如果你也對(duì)這些方向感興趣，歡迎 issue / PR / Star，一起把它打造成最好用的 PDF 目錄工具！

到此這篇關(guān)于純C#實(shí)現(xiàn)智能PDF目錄提取工具PdfTocExtractor的文章就介紹到這了,更多相關(guān)C#提取PDF目錄內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論