Python 处理 PDF 电子书：元数据修复与章节切分实战

简介《The Love Hypothesis》是Ali Hazelwood于2021年推出的当代言情小说PDF电子书面向喜爱romance题材、关注女性主义与性别角色议题的英文原版阅读者。全书围绕女主人公Olive展开讲述这位聪明独立的年轻女性在自卑与对爱情的恐惧中如何逐步相信自己也相信他人并巧妙融入grumpy meets sunshine、fake dating等经典桥段风格轻松幽默又不失严肃思考。资源包共1个PDF文件大小约3.66MB内容完整涵盖正文、目录、献词及多家媒体与畅销作家的赞誉推荐便于在电脑或移动设备上直接阅读与检索。目前已有3670人学习下载读者可借此了解当代言情小说的叙事结构、人物塑造技巧以及女性主义、性别角色和恋爱关系在通俗文学中的呈现方式适合作为英文原版阅读与类型文学研究的参考素材。1. 从一份 PDF 文件说起The Love Hypothesis 电子书资源的技术拆解你拿到手的是一份名为The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf的文件。对 IT 从业者来说这不只是一本当代言情小说更是一个典型的电子书资源样本它包含完整的版权页、目录结构、章节正文、作者注记以及从 z-lib 来源留下的文件命名痕迹。很多人下载完 PDF 后直接丢进阅读器遇到排版错乱、目录点不动、元数据缺失就束手无策。这篇内容面向需要处理电子书资源的开发者、爬虫工程师和数字资产管理从业者从 PDF 内部结构解析讲到元数据修复、文本提取和批量处理。如果你手头正好有一批类似命名的电子书文件下面的思路和代码可以直接迁移。2. PDF 元数据与文档结构解析2.1 用 Python 读取 PDF 基础信息处理任何 PDF 的第一步是搞清楚它的内部构造。The Love Hypothesis这份文件从正文看包含 Prologue、Chapter One 到 Chapter Twenty-Two、Epilogue、Authors Note、Acknowledgments 等部分但 PDF 的物理页面和逻辑章节往往不是一一对应的。常见做法是用PyPDF2或pdfplumber先做一次体检。import pdfplumber from PyPDF2 import PdfReader # 用 PyPDF2 读取元数据和页数 reader PdfReader(The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf) print(页数:, len(reader.pages)) print(元数据:, reader.metadata) # 用 pdfplumber 抽取第一页文本判断是否为封面或版权页 with pdfplumber.open(The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf) as pdf: first_page pdf.pages[0] text first_page.extract_text() print(第一页前 200 字符:) print(text[:200] if text else 无文本层)这段代码做了两件事PdfReader负责读取文档级元数据标题、作者、创建工具等pdfplumber负责逐页抽取文本。参数说明reader.pages返回页面对象列表metadata是一个字典常见键包括/Title、/Author、/Producer。如果extract_text()返回空字符串说明该页是扫描图片没有文本层需要走 OCR 流程。对于 z-lib 来源的 PDF元数据经常被清空或写成乱码这是后续要修复的重点。2.2 目录树与章节边界识别PDF 的目录Outline和实际章节标题是两套体系。有些文件有完整的书签树有些只有纯文本目录页。判断方法如下# 检查 PDF 是否包含书签目录 outline reader.outline if outline: for item in outline: if isinstance(item, list): continue print(书签:, item.title, - 页码:, reader.get_destination_page_number(item)) else: print(无书签目录需要基于文本匹配章节标题)如果输出为空就需要用正则匹配章节标题。The Love Hypothesis的章节标题格式比较规整常见的是Chapter One、Chapter Two这种英文数字写法也有Prologue和Epilogue。可以写一个匹配规则import re chapter_pattern re.compile( r^(Prologue|Epilogue|Chapter\s(One|Two|Three|Four|Five|Six|Seven|Eight|Nine|Ten| rEleven|Twelve|Thirteen|Fourteen|Fifteen|Sixteen|Seventeen|Eighteen|Nineteen|Twenty| rTwenty-One|Twenty-Two))$, re.IGNORECASE ) with pdfplumber.open(The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf) as pdf: for i, page in enumerate(pdf.pages): text page.extract_text() or for line in text.split(\n): if chapter_pattern.match(line.strip()): print(f第 {i1} 页发现章节标记: {line.strip()})这里用了一个显式的章节名枚举而不是模糊匹配Chapter.*原因是正文中可能出现“chapter”这个词的普通用法比如“the next chapter of her life”。精确枚举能避免误判。参数上re.IGNORECASE让大小写不敏感^...$锚定整行防止匹配到句子中间的片段。2.3 元数据修复与标准化写入识别出结构后下一步是把元数据写回去。很多阅读器依赖/Title和/Author来分组管理书库如果这两个字段为空书名就会显示为文件名。修复代码如下from PyPDF2 import PdfReader, PdfWriter reader PdfReader(The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf) writer PdfWriter() for page in reader.pages: writer.add_page(page) # 写入标准化元数据 writer.add_metadata({ /Title: The Love Hypothesis, /Author: Ali Hazelwood, /Subject: Contemporary Romance, /Keywords: romance, fake dating, grumpy sunshine, STEM, /Creator: PDF Metadata Fixer }) with open(The Love Hypothesis_fixed.pdf, wb) as f: writer.write(f)逻辑说明add_page逐页复制内容add_metadata覆盖原有字段。注意PdfWriter不会自动保留原书签如果需要保留目录树得额外调用writer.add_outline_item重建。参数上/Keywords建议用英文逗号分隔方便 Calibre 等工具解析。这一步做完文件在阅读器里的显示名称和排序就会正常。3. 文本提取与章节切分实战3.1 按章节输出独立文本文件拿到结构信息后可以把整本书拆成按章节命名的文本文件方便后续做检索、翻译或 NLP 处理。核心思路是先定位每个章节标题所在的页码再按页码区间抽取文本。import os import pdfplumber chapter_starts [] # 存储 (章节名, 起始页码) pattern re.compile(r^(Prologue|Epilogue|Chapter\s\w)$, re.IGNORECASE) with pdfplumber.open(The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf) as pdf: for i, page in enumerate(pdf.pages): text page.extract_text() or lines [l.strip() for l in text.split(\n) if l.strip()] for line in lines[:5]: # 只看每页前几行章节标题通常在顶部 if pattern.match(line): chapter_starts.append((line, i)) break # 按区间导出 os.makedirs(chapters, exist_okTrue) with pdfplumber.open(The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf) as pdf: for idx, (name, start) in enumerate(chapter_starts): end chapter_starts[idx 1][1] if idx 1 len(chapter_starts) else len(pdf.pages) content [] for p in range(start, end): content.append(pdf.pages[p].extract_text() or ) safe_name name.replace( , _) with open(fchapters/{safe_name}.txt, w, encodingutf-8) as f: f.write(\n.join(content)) print(f导出 {name}: 第 {start1} 到 {end} 页)这段代码的关键参数是lines[:5]只检查每页前五行。原因是章节标题在 PDF 中通常位于页面顶部而正文中偶尔出现的“Chapter”单词不会出现在页首。如果某些 PDF 的标题在页中可以把范围放宽到lines[:10]但误判率会上升。导出后的文件命名用下划线替换空格避免路径问题。3.2 处理跨页段落与断词PDF 文本提取最常见的坑是跨页断词和连字符。比如一个单词被拆成hypo-和thesis分在两页直接拼接会得到hypo-thesis。处理逻辑如下def clean_text(raw): # 合并被连字符拆分的单词 text re.sub(r(\w)-\n(\w), r\1\2, raw) # 合并跨页断句行尾无标点且下一行小写开头 text re.sub(r([a-z,])\n([a-z]), r\1 \2, text) # 压缩多余空行 text re.sub(r\n{3,}, \n\n, text) return text参数说明第一个正则处理word-\nword模式第二个处理普通换行但语义连续的情况。注意第二个正则只匹配小写字母开头避免把章节标题和正文合并。实际使用时建议先在小样本上验证再批量跑。3.3 章节切分结果验证导出后需要验证切分是否正确。一个简单的检查方法是统计每个文件的词数和首行内容章节文件词数首行内容Prologue.txt1850Frankly, Olive was a bit on the fence...Chapter_One.txt3200HYPOTHESIS: When given a choice...Chapter_Two.txt2900...Epilogue.txt1500...如果某个文件词数异常少比如小于 100很可能是章节标题误匹配到了目录页或版权页。这时候需要回看该页的上下文调整匹配规则。常见做法是跳过前 10 页封面、版权、目录从正文开始匹配。4. 批量处理与自动化流水线4.1 用 Calibre 命令行做格式转换与元数据注入如果不想写代码Calibre 的ebook-convert和ebook-meta是现成方案。把 PDF 转成 EPUB 可以大幅改善阅读体验# 转换格式 ebook-convert The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf \ The Love Hypothesis.epub \ --output-profiletablet \ --enable-heuristics # 注入元数据 ebook-meta The Love Hypothesis.epub \ --title The Love Hypothesis \ --authors Ali Hazelwood \ --tags Romance,Contemporary,Fake Dating \ --comments A contemporary romance novel set in academia.参数说明--output-profiletablet针对平板优化排版--enable-heuristics开启启发式处理自动修复断词和段落。ebook-meta的--tags用逗号分隔--comments写简介。这套命令适合放进 shell 脚本对一批 PDF 循环执行。4.2 批量重命名与目录归档下载的电子书文件名经常带来源标记比如(z-lib.org)。批量清理和归档的脚本#!/bin/bash for f in *.pdf; do # 去掉来源标记和多余空格 newname$(echo $f | sed s/(z-lib.org)//g | sed s/ */ /g | sed s/^ //;s/ $//) if [ $f ! $newname ]; then mv $f $newname echo 重命名: $f - $newname fi done逻辑说明sed s/(z-lib.org)//g删除来源标记sed s/ */ /g压缩连续空格最后的sed去掉首尾空格。执行前建议先echo预览确认无误再mv。4.3 文本提取质量检查清单批量处理时以下检查点能帮你快速定位问题文件文本层是否存在用pdfplumber抽取第一页返回空则需 OCR章节标题是否可匹配正则命中数是否与预期章节数一致元数据是否完整/Title和/Author是否非空文件大小是否异常正常文本型 PDF 每 100 页约 1-3 MB过小可能是图片压缩过度编码是否统一导出文本统一用 UTF-8避免 Windows 下 GBK 乱码提示如果 PDF 是扫描版pdfplumber无法提取文本需要先用ocrmypdf添加文本层再走后续流程。5. 进阶技巧从 PDF 到结构化数据的最后一公里5.1 用正则提取对话与叙述段落言情小说的文本结构相对规整对话通常用引号包裹。提取对话可以做角色分析或情感曲线import re with open(chapters/Chapter_One.txt, r, encodingutf-8) as f: text f.read() # 匹配英文双引号内的内容 dialogues re.findall(r([^]{10,}), text) print(f对话数量: {len(dialogues)}) for d in dialogues[:5]: print(-, d[:80])参数说明[^]{10,}限制对话至少 10 个字符过滤掉短引用和缩写。如果文本中混用了弯引号“”需要把正则改成[“”]字符组。5.2 章节情感倾向快速统计不依赖外部模型的情况下可以用简单词表做情感打分positive_words {love, smile, laugh, warm, happy, kiss, good} negative_words {cry, fear, alone, hurt, bad, sorry, pain} def sentiment_score(text): words re.findall(r\b\w\b, text.lower()) pos sum(1 for w in words if w in positive_words) neg sum(1 for w in words if w in negative_words) return (pos - neg) / max(len(words), 1) for ch in [Prologue, Chapter_One, Chapter_Two, Epilogue]: with open(fchapters/{ch}.txt, r, encodingutf-8) as f: score sentiment_score(f.read()) print(f{ch}: 情感得分 {score:.4f})这个方法粗糙但快适合在正式 NLP 流程前做探索性分析。得分接近 0 说明正负词均衡正值偏暖负值偏冷。对于The Love Hypothesis这种 grumpy meets sunshine 设定的作品前几章负值偏高、后期转正是符合预期的。5.3 常见失败模式与排查表现象可能原因处理方式提取文本为空扫描版无文本层用 ocrmypdf 加文本层章节标题匹配不到标题在页中或用了罗马数字放宽匹配范围增加数字变体导出文件乱码编码不一致统一用 UTF-8 读写元数据写入无效PDF 加密或权限限制先用 qpdf 解密跨页断词严重PDF 生成工具差异启用启发式合并规则注意处理受版权保护的电子书时仅限个人格式转换和阅读管理不要用于分发或商业用途。技术手段的边界要清楚。5.4 一个可复用的处理脚本骨架把前面的步骤串起来形成一个可复用的脚本import os import re import pdfplumber from PyPDF2 import PdfReader, PdfWriter def process_pdf(input_path, output_dir): os.makedirs(output_dir, exist_okTrue) reader PdfReader(input_path) writer PdfWriter() for page in reader.pages: writer.add_page(page) writer.add_metadata({ /Title: os.path.splitext(os.path.basename(input_path))[0], /Author: Unknown }) fixed_path os.path.join(output_dir, fixed.pdf) with open(fixed_path, wb) as f: writer.write(f) # 后续章节切分逻辑可在此追加 print(f处理完成: {fixed_path}) process_pdf(The Love Hypothesis by Ali Hazelwood (z-lib.org).pdf, output)这个骨架把元数据修复和输出目录管理封装成函数后续可以在fixed_path基础上继续做章节切分和文本导出。参数上output_dir建议按书名或批次命名避免不同项目的文件混在一起。实际跑的时候先拿一本测试确认流程通了再批量执行。本文还有配套的精品资源点击获取