Python 一键拆分 PDF：按“目录/章节”建文件夹 + 每页单独导出（支持书签识别&正文识别）
Python 一键拆分 PDF：按“目录/章节”建文件夹 + 每页单独导出（支持书签识别&正文识别）
文章目录
1. 我写这个工具的原因
我经常会把电子书交给 AI 做总结/问答，但很多 PDF 体积大、页数多，如果我想按章节拆开再喂给 AI，手动操作会非常耗时间。
所以我用 Python 写了一个小工具，实现了：
- 自动识别“第X章”标题（优先书签，没书签再扫正文）
- 按章节自动创建文件夹（文件夹命名带序号，方便排序）
- 支持整章导出 + 单页导出（每页单独 PDF，便于上传/AI 处理）
2. 最终效果长什么样（我想要的输出）
我拆分后的输出结构大概是这样：
- 输出目录
01_第1章_xxx/01_第1章_xxx.pdf（整章）p0001.pdf p0002.pdf ...（单页）
02_第2章_xxx/02_第2章_xxx.pdfp00xx.pdf ...
一句话：我既保留“整章”，也能拿到“每一页”。
3. 使用方法（我实际是这样跑的）
我把脚本直接丢进 PyCharm（你原文写的 ptcharm 我这里统一写成 PyCharm）运行即可。
3.1 我做的第 1 步：选择 PDF 文件
我点击按钮 「1. 请选择你的 PDF 文件」，选中要处理的 PDF。
3.2 我做的第 2 步：选择输出位置并开始拆分
我点击 「2. 请选择输出目录并开始拆分」，选择一个输出文件夹，工具就会开始处理，并在下方日志区域输出进度。
你原来的两张图建议保留在这里（效果最直观）
4. 环境与依赖（我用的配置）
- Windows 10/11 均可
- Python 3.x（建议 3.8+）
- 依赖库：
pypdf
我安装依赖的方式：
pip install pypdf 注意：如果 PDF 是扫描版图片（没有可提取的文字），正文识别可能会失败，这种情况需要先 OCR，否则工具无法“读到章节标题”。
5. 我在代码里做了什么（原理简述）
为了让工具对不同 PDF 更“稳”，我设计了两套识别策略：
5.1 优先方案：从 PDF 书签（outline）识别章节
如果 PDF 自带书签（目录），我就直接读取书签并找出匹配 “第X章” 的标题，然后拿到对应页码作为章节起点。
优点：速度快、准确率高。
5.2 备用方案：扫描正文文本猜章节起始页
如果没有书签，我会逐页提取文本，然后用正则匹配 第X章，并做了两层过滤：
- 过滤“目录页”（包含 目录/Contents 等）
- 过滤类似
标题......页码的目录行
优点：即使没书签，只要正文可提取文字，也能拆分。
6. 我可以调的关键参数（想改行为就看这里）
代码最上面配置区我留了两个重点：
CHAPTER_PATTERN：章节匹配正则（默认支持：第1章 / 第 1 章 / 第一章 / 第十四章）EXPORT_SINGLE_PAGES：是否导出单页 PDF（默认 True）
如果你不想生成单页 PDF，把 EXPORT_SINGLE_PAGES = False 就行。
7. 常见问题（我自己踩过的坑）
Q1：提示“未识别到任何章节标题”
通常是三类原因：
- PDF 没书签 + 正文提取不到文本（扫描版）
- 章节标题不是“第X章”这种格式（需要改正则）
- 章节标题出现在页面太靠后（正文识别里有阈值
m.start() > 400）
解决思路：我会先确认 PDF 是不是可复制文字；不行就 OCR；标题格式不一致就改正则。
Q2：为什么我的章节起始页不准？
如果 PDF 正文排版很特殊（比如章标题不在页首、页眉重复干扰），可能会误判。
这种情况我会优先找“带书签”的版本，或者适当调整正文识别的阈值。
Q3：输出文件名为什么会有下划线？
我在 sanitize_filename() 里把 Windows 不允许的字符替换成 _，避免出现“无法创建文件”的问题。
8. 完整代码（可直接复制运行）
我把完整代码放在这里，复制到 PyCharm 直接运行即可。
# -*- coding: utf-8 -*-import re from pathlib import Path from pypdf import PdfReader, PdfWriter import tkinter as tk from tkinter import filedialog, messagebox # ================= 配置区域 =================# 章节标题匹配规则（适合：第1章 / 第 1 章 / 第一章 / 第十四章 等） CHAPTER_PATTERN = re.compile(r"第\s*[一二三四五六七八九十百千0-9]+\s*章[^\n\r]*")# 是否额外按“页”拆成单页 PDF EXPORT_SINGLE_PAGES =True# ==========================================# GUI 全局对象占位 root =None log_text =Nonedefsanitize_filename(name:str)->str:""" 去掉 Windows 不支持的文件名字符。 """return re.sub(r'[\\/:*?"<>|]',"_", name)# ---------- 方案一：优先从 PDF 书签(outline) 中找章节 ----------deffind_chapters_from_outline(reader: PdfReader):""" 从 PDF 书签(outline) 中找出章节： - 遍历所有书签 - 标题里匹配 CHAPTER_PATTERN（第X章……） - 获取对应页码 返回: [{title: '第1章 xxx', start: 0}, ...] """ chapters =[]# 兼容不同版本的 pypdf：有的叫 outline，有的叫 outlinestry: outlines = reader.outline except Exception:try: outlines = reader.outlines except Exception: outlines =Noneifnot outlines:return[]defwalk(items):for item in items:# 子列表：继续递归ifisinstance(item,list): walk(item)else:# 尝试拿书签标题try: title = item.title except AttributeError: title =str(item)ifnotisinstance(title,str): title =str(title)# 标题里不含“第X章”就跳过ifnot CHAPTER_PATTERN.search(title):continue# 拿到书签指向的页码try: page_num = reader.get_destination_page_number(item)except Exception:continue chapters.append({"title": title.strip(),"start": page_num}) walk(outlines)# 去重、排序（同一页只保留一个章节） unique ={}for ch in chapters:if ch["start"]notin unique: unique[ch["start"]]= ch chapters =sorted(unique.values(), key=lambda c: c["start"])return chapters # ---------- 方案二：从正文文本中猜章节（备用） ----------deffind_chapters_from_text(reader: PdfReader):""" 扫描整个 PDF 正文，猜每一章的“起始页”以及章节标题。 规则大致是： - 排除“目录/contents”页面 - 一页内允许有多个“第X章”，逐个判断 - 只要某个匹配出现在页面较前面，且所在行不像目录行(标题 + ...... + 页码) 就认为是章节开始 返回: [{title: '第1章 xxx', start: 0}, ...] """ chapters =[] num_pages =len(reader.pages)for i inrange(num_pages): page = reader.pages[i] text = page.extract_text()or""ifnot text.strip():continue# 跳过目录页（粗略判断即可） head = text[:100]if"目录"in head or"Contents"in head or"CONTENTS"in head:continue# 遍历此页所有匹配 "第X章"for m in CHAPTER_PATTERN.finditer(text):# 要求标题出现在页面比较靠前的位置if m.start()>400:# 这个阈值可以按需要微调continue# 找到这一行的文本内容 lines = text.splitlines() line_of_match ="" char_pos =0for line in lines: next_pos = char_pos +len(line)+1# 粗略算上换行if m.start()< next_pos: line_of_match = line break char_pos = next_pos # 目录行一般是：标题 + 一串点 + 页码# 例如：第1章 人际关系的构成..................1if re.search(r"[\.·…]{3,}\s*\d+\s*$", line_of_match):# 像目录的行，忽略continue title = m.group(0).strip()# 同一页只认一个章节起点ifnotany(ch["start"]== i for ch in chapters): chapters.append({"title": title,"start": i})break# 当前页已经找到一个章节了，后面不再找return chapters # ---------- 包一层：带 logger 的 find_chapters ----------deffind_chapters(reader: PdfReader, logger=print): chapters = find_chapters_from_outline(reader)if chapters: logger("✅ 使用 PDF 书签识别章节")return chapters logger("⚠️ 此 PDF 没有可用书签，改用正文文本识别章节") chapters = find_chapters_from_text(reader)return chapters deffill_chapter_ranges(chapters, num_pages):""" 根据 start 页自动计算每章的 end 页。 修改 chapters 列表，增加 end 字段。 """for idx, ch inenumerate(chapters): start = ch["start"]if idx <len(chapters)-1: end = chapters[idx +1]["start"]-1else: end = num_pages -1 ch["end"]= end return chapters defsplit_pdf_by_chapters(pdf_path, output_root, logger=None):""" 真正拆分 PDF 的函数，所有信息通过 logger 输出到日志区域 """if logger isNone: logger =print pdf_path = Path(pdf_path) output_root = Path(output_root)ifnot pdf_path.exists(): msg =f"PDF 文件不存在: {pdf_path}" logger(msg)raise FileNotFoundError(msg) reader = PdfReader(str(pdf_path)) num_pages =len(reader.pages) book_name = pdf_path.name logger(f"开始处理：{book_name}") logger(f"总页数：{num_pages}")# 1. 找章节 chapters = find_chapters(reader, logger=logger)ifnot chapters: msg ="未识别到任何章节标题，请检查：PDF 是否有书签/正文是否能提取文字/正则是否合适。" logger(msg)raise ValueError(msg) logger(f"共识别到 {len(chapters)} 章：")for idx, ch inenumerate(chapters, start=1): logger(f" 第{idx}章 → {ch['title']}（起始页：{ch['start']+1}）")# 2. 填充每章的结束页 chapters = fill_chapter_ranges(chapters, num_pages)# 3. 创建输出根目录 output_root.mkdir(parents=True, exist_ok=True) logger(f"输出目录：{output_root}")# 4. 按章节导出for idx, ch inenumerate(chapters, start=1): title = ch["title"] start_page = ch["start"]# 0-based end_page = ch["end"]# 0-based page_count = end_page - start_page +1 safe_title = sanitize_filename(title) chapter_dir = output_root /f"{idx:02d}_{safe_title}" chapter_dir.mkdir(parents=True, exist_ok=True) logger("") logger(f"==== 处理章节 {idx}: {title} ====") logger(f"页码范围: {start_page +1} - {end_page +1}（共 {page_count} 页）") logger(f"章节输出目录: {chapter_dir}")# 4.1 导出“整章一个 PDF” chapter_writer = PdfWriter()for p inrange(start_page, end_page +1): chapter_writer.add_page(reader.pages[p]) chapter_pdf_path = chapter_dir /f"{idx:02d}_{safe_title}.pdf"withopen(chapter_pdf_path,"wb")as f: chapter_writer.write(f) logger(f" ✅ 已生成整章 PDF: {chapter_pdf_path.name}")# 4.2 可选：每一页单独导出if EXPORT_SINGLE_PAGES:for p inrange(start_page, end_page +1): writer = PdfWriter() writer.add_page(reader.pages[p])# 页码用 1 开始，且补零对齐，例如 p0001.pdf page_label =f"p{p +1:04d}.pdf" single_page_path = chapter_dir / page_label withopen(single_page_path,"wb")as f: writer.write(f) logger(" ✅ 已生成单页 PDF 文件（按页命名）") logger("") logger("🎉 拆分完成！")# ========= GUI 部分（两个按钮 + 日志框） ========= selected_pdf_file ="" selected_output_dir =""defappend_log(msg:str):"""写日志到 Text，并自动滚动"""if log_text isNone:print(msg)return log_text.config(state="normal") log_text.insert(tk.END, msg +"\n") log_text.see(tk.END) log_text.config(state="disabled")# 刷新一下界面，让日志滚动更及时if root isnotNone: root.update_idletasks()defchoose_pdf():"""按钮1：选择 PDF 文件"""global selected_pdf_file path = filedialog.askopenfilename( title="请选择 PDF 文件", filetypes=[("PDF 文件","*.pdf"),("所有文件","*.*")])if path: selected_pdf_file = path label_pdf.config(text=f"已选择 PDF：{path}") append_log(f"已选择 PDF 文件：{path}")defchoose_output_and_run():"""按钮2：选择输出目录并开始拆分"""global selected_output_dir, selected_pdf_file ifnot selected_pdf_file: messagebox.showwarning("提示","请先选择 PDF 文件！")return path = filedialog.askdirectory(title="请选择输出目录")ifnot path:return selected_output_dir = path label_output.config(text=f"输出目录：{path}") append_log("") append_log(f"输出目录设置为：{path}") append_log("开始拆分，请稍候...\n")# 清理一下旧的错误提示try: split_pdf_by_chapters(selected_pdf_file, selected_output_dir, logger=append_log) messagebox.showinfo("完成","拆分完成！\n请到输出目录查看各章节文件夹。")except Exception as e: append_log(f"❌ 出错：{e}") messagebox.showerror("错误",f"处理过程中出现错误：\n{e}")if __name__ =="__main__":# 创建窗口 root = tk.Tk() root.title("PDF 章节拆分工具") root.geometry("400x400")# 固定为 400x400 的窗口 root.resizable(False,False)# 上半部分：按钮区域 btn_frame = tk.Frame(root) btn_frame.pack(padx=10, pady=10, fill="x")# 按钮1：选择 PDF btn_pdf = tk.Button(btn_frame, text="1. 请选择你的 PDF 文件", command=choose_pdf) btn_pdf.pack(fill="x") label_pdf = tk.Label(btn_frame, text="尚未选择 PDF 文件", anchor="w") label_pdf.pack(fill="x", pady=(5,10))# 按钮2：选择输出目录 + 开始拆分 btn_output = tk.Button(btn_frame, text="2. 请选择输出目录并开始拆分", command=choose_output_and_run) btn_output.pack(fill="x") label_output = tk.Label(btn_frame, text="尚未选择输出目录", anchor="w") label_output.pack(fill="x", pady=(5,0))# 下半部分：日志输出区域（带滚动条） log_frame = tk.Frame(root) log_frame.pack(padx=10, pady=10, fill="both", expand=True) log_text = tk.Text(log_frame, state="disabled") log_text.pack(side="left", fill="both", expand=True) scrollbar = tk.Scrollbar(log_frame, command=log_text.yview) scrollbar.pack(side="right", fill="y") log_text.config(yscrollcommand=scrollbar.set) append_log("日志初始化完成。") append_log("提示：先选择 PDF 文件，再选择输出目录开始拆分。") root.mainloop()
