# -*- coding: utf-8 -*- """Интерактивное содержание для томов проектной документации (ГОСТ Р 21.101, п. 4.1.5). Находит в PDF лист «Содержание», читает строки с номерами листов, ставит на каждую строку кликабельную ссылку на нужную страницу и собирает закладки (боковое оглавление PDF). Текст и чертежи не трогаются — добавляются только ссылки и закладки. python pdf_soderzhanie.py том.pdf → том-ссылки.pdf рядом python pdf_soderzhanie.py том.pdf готово.pdf --offset 1 python pdf_soderzhanie.py папка_томов\\ --out готово\\ → все PDF папки + отчёт.csv Сдвиг (--offset): «лист N = страница PDF N + сдвиг». По умолчанию угадывается сам: по тому, на какой странице стоит название из строки содержания (обложка без номера → сдвиг 1). """ import argparse import csv import pathlib import re import sys import fitz # PyMuPDF ШТАМП = {"лист", "листов", "изм.", "изм", "стадия", "разраб.", "пров.", "гип", "н.контр.", "контр.", "кол.уч", "№док.", "подп.", "дата", "инв.", "взам."} НОМЕР = re.compile(r"^(\d{1,4})(?:\s*[-–]\s*\d{1,4})?$") ШИФР = re.compile(r"[-.]") # токен шифра: есть дефис/точка и заглавные/цифры def _норм(s): return re.sub(r"[^a-zа-я0-9]", "", s.lower().replace("ё", "е")) def _шифр(w): return bool(ШИФР.search(w)) and bool(re.search(r"[A-ZА-ЯЁ0-9]", w)) and not re.match(r"^\d+\.?$", w) def строки(page, tol=3.0): """Слова страницы → строки (по высоте, через все колонки таблицы), сверху вниз.""" words = sorted(page.get_text("words"), key=lambda w: ((w[1] + w[3]) / 2, w[0])) rows = [] for w in words: yc = (w[1] + w[3]) / 2 if rows and abs(rows[-1]["yc"] - yc) <= tol: rows[-1]["w"].append(w) else: rows.append({"yc": yc, "w": [w]}) out = [] for r in rows: ws = sorted(r["w"], key=lambda w: w[0]) out.append({"words": ws, "text": " ".join(w[4] for w in ws), "rect": fitz.Rect(min(w[0] for w in ws), min(w[1] for w in ws), max(w[2] for w in ws), max(w[3] for w in ws))}) return out def _штамп(row): """Строка основной надписи: два слова штампа или «Листов» (одно «Лист 1.» — это название чертежа).""" сл = [w[4].lower() for w in row["words"]] return "листов" in сл or sum(s in ШТАМП for s in сл) >= 2 def _заголовок(row): return re.match(r"^\s*(содержание|оглавление)\b", row["text"], re.I) is not None def разобрать_содержание(page): """Строки содержания на странице → [{title, num, rect, level}].""" rows = строки(page) start = next((i for i, r in enumerate(rows) if _заголовок(r)), None) if start is not None: rows = rows[start + 1:] entries = [] for r in rows: if _штамп(r): continue ws = r["words"] m = НОМЕР.match(ws[-1][4]) if len(ws) >= 2 else None if m: title = " ".join(w[4] for w in ws[:-1]).strip() if not re.search(r"[A-Za-zА-Яа-яЁё]{3,}", title): continue level = 1 if _шифр(ws[0][4]) else 2 entries.append({"title": title, "num": int(m.group(1)), "rect": fitz.Rect(r["rect"]), "level": level, "name_x": ws[1][0] if level == 1 and len(ws) > 2 else ws[0][0]}) elif entries and re.search(r"[A-Za-zА-Яа-яЁё]{3,}", r["text"]): # перенос длинного названия на следующую строку — приклеить к записи выше prev = entries[-1] if r["rect"].y0 - prev["rect"].y1 < 1.2 * prev["rect"].height and r["rect"].x0 >= prev["name_x"] - 3: prev["rect"] |= r["rect"] prev["title"] += " " + r["text"] if entries and all(e["level"] == 2 for e in entries): for e in entries: e["level"] = 1 return entries def найти_содержание(doc, первых=6): """Индексы страниц содержания: страница с заголовком «Содержание» + продолжения.""" for i in range(min(первых, doc.page_count)): page = doc[i] if any(_заголовок(r) for r in строки(page)[:12]): found = [i] j = i + 1 while j < doc.page_count and len(разобрать_содержание(doc[j])) >= 3: rows = [r for r in строки(doc[j]) if not _штамп(r)] if len(разобрать_содержание(doc[j])) < 0.6 * max(1, len(rows)): break found.append(j) j += 1 return found return [] def _ключ(title): слова = [w for w in title.split() if not _шифр(w)] return _норм(" ".join(слова[:4])) def угадать_сдвиг(doc, entries, toc_pages, диапазон=range(-5, 11)): """Лучший сдвиг «страница = лист − 1 + сдвиг» по совпадению названий на страницах.""" тексты = [_норм(p.get_text()) for p in doc] лучший, счёт = 0, 0 for d in sorted(диапазон, key=abs): n = 0 for e in entries: k = _ключ(e["title"]) idx = e["num"] - 1 + d if len(k) >= 8 and 0 <= idx < doc.page_count and idx not in toc_pages and k in тексты[idx]: n += 1 if n > счёт: лучший, счёт = d, n return лучший, счёт def обработать(src, dst, offset=None, закладки=True): """Ставит ссылки и закладки. → отчёт dict.""" doc = fitz.open(src) отчёт = {"файл": pathlib.Path(src).name, "страниц": doc.page_count, "записей": 0, "ссылок": 0, "сдвиг": None, "совпало_названий": 0, "закладок": 0, "замечания": []} toc_pages = найти_содержание(doc) if not toc_pages: отчёт["замечания"].append("не найден лист «Содержание» в первых 6 страницах") doc.close() return отчёт все = [(p, e) for p in toc_pages for e in разобрать_содержание(doc[p])] отчёт["записей"] = len(все) if offset is None: offset, счёт = угадать_сдвиг(doc, [e for _, e in все], set(toc_pages)) отчёт["совпало_названий"] = счёт if счёт == 0: отчёт["замечания"].append("названия на листах не найдены — сдвиг 0 (лист N = страница N)") отчёт["сдвиг"] = offset toc = [] for p, e in все: idx = e["num"] - 1 + offset if not 0 <= idx < doc.page_count: отчёт["замечания"].append(f"«{e['title'][:40]}» → лист {e['num']}: такой страницы нет") continue r = fitz.Rect(e["rect"].x0 - 1, e["rect"].y0 - 1, e["rect"].x1 + 1, e["rect"].y1 + 1) doc[p].insert_link({"kind": fitz.LINK_GOTO, "from": r, "page": idx, "to": fitz.Point(0, 0), "zoom": 0}) отчёт["ссылок"] += 1 уровень = e["level"] if not toc or e["level"] <= toc[-1][0] + 1 else toc[-1][0] + 1 toc.append([уровень, e["title"], idx + 1]) if закладки and toc: if doc.get_toc(): отчёт["замечания"].append("в PDF уже были закладки — оставлены как есть") else: doc.set_toc(toc) отчёт["закладок"] = len(toc) doc.save(dst, garbage=3, deflate=True) doc.close() return отчёт def main(argv=None): ap = argparse.ArgumentParser(description=__doc__, formatter_class=argparse.RawDescriptionHelpFormatter) ap.add_argument("src", help="PDF-том или папка с томами") ap.add_argument("dst", nargs="?", help="куда сохранить (для одного файла)") ap.add_argument("--out", help="папка для результатов (для папки томов)") ap.add_argument("--offset", type=int, default=None, help="сдвиг: страница = лист + сдвиг") ap.add_argument("--no-bookmarks", action="store_true", help="без закладок") a = ap.parse_args(argv) src = pathlib.Path(a.src) if src.is_dir(): out = pathlib.Path(a.out or (src / "с-ссылками")) out.mkdir(parents=True, exist_ok=True) пары = [(f, out / f.name) for f in sorted(src.glob("*.pdf"))] else: пары = [(src, pathlib.Path(a.dst) if a.dst else src.with_name(src.stem + "-ссылки.pdf"))] отчёты = [] for f, d in пары: r = обработать(f, d, a.offset, not a.no_bookmarks) отчёты.append(r) print(f"{r['файл']}: записей {r['записей']}, ссылок {r['ссылок']}, сдвиг {r['сдвиг']}, " f"закладок {r['закладок']}" + ("; " + "; ".join(r["замечания"]) if r["замечания"] else "")) if len(пары) > 1: with open(out / "отчёт.csv", "w", newline="", encoding="utf-8-sig") as fh: w = csv.writer(fh, delimiter=";") w.writerow(["файл", "страниц", "записей", "ссылок", "сдвиг", "закладок", "замечания"]) for r in отчёты: w.writerow([r["файл"], r["страниц"], r["записей"], r["ссылок"], r["сдвиг"], r["закладок"], " | ".join(r["замечания"])]) return 0 if all(r["ссылок"] for r in отчёты) else 1 if __name__ == "__main__": sys.exit(main())