纯C#实现智能PDF目录提取工具PdfTocExtractor

目录

• 前言
• 为什么是目录提取
• PdfTocExtractor
• 功能特点
• 支持的输出格式
• 使用方法
• 命令行
• 作为库使用
• 扩展性
• 技术实现
• TODO 计划
• AI 增强功能
• Web 服务接口
• Web 前端界面
• 技术架编程客栈构优化
• 高级功能
• 企业级功能
• 小结

前言

最近在做标书的时候发现，有些文档文字量很大，想让大模型完全解读不太现实，先不说 context 长度够不够，首先 token 消耗量就爆炸了

于是想到使用取巧的方式，提取 PDF 的目录来进行分析，于是说干就干，用 C# 写了一个工具来实现目录提取，结果效果还不错

后续我又继续完善这个工具，增加了语义识别等功能

继续沿用 C# + AOT + github Actions + dotnet tool + nuget 这套流程的开发

项目地址: https://github.com/star-plan/pdf-toc-extractor

为什么是目录提取

PDF 转 word、markdown 等格式的工具太多了

咱不卷这个赛道

（说是http://www.devze.com这么说，我最近也做了一个，不排除后续把 PDF 转文档的功能集成到这个项目里）

咱就专注于这个小众的需求，把 PDF 目录提取这个功能做好

后续又增加了语义识别功能，有些 PDF 并没有内嵌目录，这时候就需要从 PDF 的内容中分析提取出目录。

我一开始使用了模式匹配，结果效果很差，后面换成 NLP 的思路，虽然只是用了最简单的语义识别，但效果的提升非常可观！

可见选对工具还是很重要的

PdfTocExtractor

PdfTocExtractor 是一个纯 C# AOT 实现的轻量级PDF目录提取工具，用于从PDF文件中提取目录（TOC）并导出为多种格式。支持Markdown、jsON、XML、纯文本等格式，完全摆脱命令行依赖，无需额外的PDF处理工具，适合在 .NET 项目中内嵌、分发或集成自动化流程中使用。

通过PdfTocExtractor，您可以轻松从PDF文档中提取书签和目录结构，生成清晰的导航文档。v2.0新增的语义分析功能让您即使在PDF没有嵌入书签的情况下，也能通过基于NLP的智能分析自动识别章节标题，完美适用于文档处理、内容分析和自动化工作流。

跨平台、零依赖、极速提取，一切尽在 PdfTocExtractor！

功能特点

• 从PDF文件提取书签/目录信息
• 语义分析功能：基于NLP的智能章节标题识别，适用于无书签PDF
• 支持多种输出格式：Markdown、JSON、XML、纯文本
• 可配置的导出选项（层级深度、页码格式等）
• 可扩展的导出器架构，支持自定义格式
• 异步操作支持，高性能处理
• 提供命令行工具和NuGet包
• 支持AOT编译，原生性能无需.NET运行时
• 跨平台支持：Windows、linux、MACOS
• 多种分析模式：默认、严格、宽松模式可选

支持的输出格式

• Markdown (md, markdown) - 适合文档和网页显示，支持层级结构
• JSON (json) - 适合程序处理和API集成，包含完整元数据
• XML (xml) - 结构化数据交换，标准化格式
• Text (txt, text) - 纯文本格式，简洁易读

使用方法

依然和其他工具一样

提供了 nuget 库和 dotnet tool 命令行工具

可以作为库引入使用，也可以在命令行使用

命令行

安装 CLI 工具

dotnet tool install --global PdfTocExtractor.Cli

命令行使用

#  智能提取（推荐）- 自动选择最佳方法
pdftoc smart document.pdf -o output.md

#  提取PDF书签（传统方法）
pdftoc extract document.pdf -o output.md

#  语义分析（v2.0新功能 - 适用于无书签的PDF）
pdftoc semantic document.pdf -o output.md

# 指定输出格式
pdftoc smart document.pdf -o output.json -f json

# 设置最大层级深度
pdftoc smart document.pdf -o output.xml --max-depth 3

# 自定义标题和页码格式
pdftoc smart document.pdf -o output.txt --title "我的文档目录" --page-format "第 {0} 页"

# 语义分析 - 严格模式（更精确的标题识别）
pdftoc semantic document.pdf -o output.md --mode strict --confidence 0.7

# 语义分析 - 调试模式（查看分析过程）
pdftoc semantic document.pdf -o output.md --debug --verbose

# 结构分析 - 宽松模式（识别更多潜在标题）
pdftoc analyze document.pdf -o output.md --relaxed

# 结构分析 - 自定义参数
pdftoc analyze document.pdf -o output.md --min-font-size 14 --use-bold --debug

# 智能提取 - 带结构分析配置
pdftoc smart document.pdf -o output.md --analysis-preset strict --debug-analysis

# 显示详细输出
pdftoc smart document.pdf -o output.md --verbose

# 诊断PDF文件问题
pdftoc diagnose document.pdf

作为库使用

安装核心库

dotnet add package PdfTocExtractor

代码示例

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

// 创建提取器实例
var extractor = new PdfTocExtractor();

//  智能提取（推荐）- 自动选择最佳方法
var tocItems = await extractor.ExtractTocSmartAsync("document.pdf");

//  传统方法：提取PDF书签
var bookmarkItems = await extractor.ExtractTocAsync("document.pdf");

//  结构分析：适用于无书签的PDF
var structureItems = await extractor.AnalyzeStructureAsync("document.pdf");

//  结构分析：使用自定义配置
var analysisOptions = new StructureAnalysisOptions
{
    MinFontSizeForHeading = 14f,
    UseBoldAsIndicator = true,
    MaxHeadingLevels = 4,
    RequireStandaloneHeadings = true,
    DebugMode = false
};
var customStructureItems = await extractor.AnalyzeStructureAsync("document.pdf", analysisOptions);

//  使用预设配置
var strictItems = await extractor.AnalyzeStructureAsync("document.pdf", StructureAnalysisOptions.Strict);
var relaxedItems = await extractor.AnalyzeStructureAsync("document.pdf", StructureAnalysisOptions.Relaxed);

// 导出为Markdown
await extractor.ExportToFileAsync(tocItems, "output.md", "markdown");

// 导出为JSON（带自定义选项）
var exportOptions = new ExportOptions
{
    MaxDepth = 3,
    IncludePageNumbers = true,
    CustomTitle = "文档目录"
};
await extractor.Exhttp://www.devze.comportToFileAsync(tocItems, "output.json", "json", exportOptions);

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

扩展性

可以通过实现 IExporter 接口来创建自定义导出器：

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

    public string Export(IEnumerable<TocItem> tocItems, ExportOptions? options = null)
    {
        // 实现自定义导出逻辑
        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);
    }
}

// 注册自定义导出器
extractor.RegisterExporter("custom", new CustomExporter());

技术实现

PdfTocExtractor 使用以下技术：

• .NET 9.0 - 现代化的.NET平台
• iText 9.2.0 - 强大的PDF处理库
• 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 - 命令行参数解析
• AOT编译支持 - 原生性能，无需.NET运行时

TODO 计划

AI 增强功能

AI 目录识别 - 使用机器学习技术识别没有书签/大纲数据的PDF文档目录结构

• 集成 OCR 技术识别扫描版PDF中的目录页面
• 基于文本分析和格式识别的智能目录提取
• 支持多语言目录识别（中文、英文、日文等）
• 目录层级结构智能推断
• 页码与目录项的自动匹配算法

Web 服务接口

RESTful API 开发 - 提供基于 HTTP 的 Web API 服务

• PDF 文件上传接口
• 目录提取 API 端点
• 多格式导出 API（JSON、XML、Markdown等）
• 批量处理接口
• 任务状态查询接口
• API 文档和 Swagger 集成

Web 前端界面

现代化 Web UI - 开发用户友jNBlKfnn好的 Web 前端界面

• 拖拽式 PDF 文件上传
• 实时目录提取进度显示
• 目录结构可视化预览
• 多格式导出选项界面
• 历史记录和文件管理
• 响应式设计，支持移动端访问

技术架构优化

微服务架构 - 将功能模块化为独立的微服务

• PDF 处理服务
• AI 识别服务
• 文件存储服务
• 用户管理服务
• 容器化部署支持（docker）

高级功能

智能分析 - 提供更多文档分析功能

• 文档结构分析和统计
• 目录质量评估
• 重复内容检测
• 文档相似度比较
• 批量文档处理和分析报告

企业级功能

安全和权限 - 企业级安全特性

• 用户认证和授权
• 文件访问权限控制
• 审计日志记录
• 数据加密存储
• API 访问限制和配额管理

小结

到这里，PdfTocExtractor 的核心能力已经完整亮相：不管你的 PDF 有没有书签，都能一键生成结构化目录；想要命令行批处理还是在代码里灵活调用，都不在话下。

在实际项目中，这个工具已经帮我节省了大量手动整理目录的时间，也避免了 OCR 误识别、格式混乱等繁琐问题。尤其是新版的 Smart 与 Semantic 双引擎，既快又准，真香！

当然，项目还远远没有到“终点”。后续的 AI 目录识别、Web API、现代化 UI 乃至企业权限体系，都在 Roadmap 上等着逐步落地。如果你也对这些方向感兴趣，欢迎 issue / PR / Star，一起把它打造成最好用的 PDF 目录工具！

到此这篇关于纯C#实现智能PDF目录提取工具PdfTocExtractor的文章就介绍到这了,更多相关C#提取PDF目录内容请搜索编程客栈(www.devze.com)以前的文章或继续浏览下面的php相关文章希望大家以后多多支持编程客栈(www.devze.com)！