自动生成书签功能增加按文本模式筛选标题

[longriyao]

年报格式稳定，二三级目录识别相对具有可行性，现在支持一级目录识别，可以支持一下二三级目录识别吗？

[wmjordan]

有样本文件吗？

[longriyao]

茅台股份2020年 年报 https://www.moutaichina.com/maotaigf/resource/cms/article/408431/509361/2021033108591131837.pdf 年报格式很标准，麻烦大佬看下！
这里有茅台其他年份的报告

[longriyao]

这里有其他公司的年报 格式都差不多

[TroyDanielFZ]

我看了一下，后面的这个使用PDFPatcher很好办啊，找几个标题右键添加就可以了。但是茅台那个不太好办，因为它的次级标题和其它内容比较混杂。

[wmjordan]

对于类似茅台年报的文档，之前也有网友提议过，增加按文本模式（正则表达式）筛选内容的功能。

[longriyao]

简单实现的话 我觉得是不是可以

1. 一级目录按照现有方法识别
2. 确定是不是二三级目录，通过判断 是否粗体？是否只有一行？开始位置是否包含 特殊字符（ 1-9,大写数字 小括号等字符）

[longriyao]

我觉得这些简单的策略基本就满足大部分年报了 就可以了

[wmjordan]

目前使用的组件（mupdf）有其功能局限性，例如无法判断“是否粗体”，也无法判断颜色之类的样式。

[longriyao]

不能判断粗体确实挺伤的，如果能判断粗体就很容易了

[mokacao]

我用Foxit PDF Editor和mutools调试了下茅台年报的pdf，发现粗体文字有以下特征：
Foxit PDF Editor：
粗体：文本模式是填充然后笔画文本
普通：文本模式是填充文本
mutools：
粗体： pdf-interpret.c op_TJ
/* text showing */
case B('T','J'): if (proc->op_TJ) proc->op_TJ(ctx, proc, csi->obj); break;
普通： pdf-interpret.c op_rg
case B('r','g'): if (proc->op_rg) proc->op_rg(ctx, proc, s[0], s[1], s[2]); break;
查阅PDF Reference后，有如下描述和示例：
TJ: 正常使用Tj和其他字形绘制操作导致黑色填充字形被绘制。通过常规字形操作和结合字体操作可以获得其他效果。
rg:
0.0 1.0 0.0 rg % Set nonstroking color to green

基于以上分析，应该可以通过这2个op的区别来区分普通还是粗体。
@wmjordan

[wmjordan]

@mokacao 非常感谢您的参与，但实际情况不是你上面所说的那样的。
我已经用 PDF 补丁丁的“文档结构探查器”来分析过那个文档。那个文档是通过描边线来实现粗体效果的。

我得再花一些时间来分析是否有可能用 MuPDF 来解析文档的渲染过程。它目前提供的结构文本接口并不够用，要更深入地介入渲染过程（可能要借助 device）来获取所需要的信息。

[wmjordan]

各位朋友，PDF补丁丁今天有了一个新的测试版本。
它增强了自动生成书签的功能，针对字体尺寸相同的场合，允许通过匹配特定模式的标题来指定书签的级别。这个功能还不完善，后面还会继续优化。

先添加一个要自动生成书签的样式到自动生成书签列表，指定它的标题级别。

然后，选择“文本识别模式”中已定义好的标题样式。

再添加另一个自动生成书签的样式到自动生成书签列表，指定它的标题级别，然后，再选择“文本识别模式”中已定义好的标题样式。

请记得取消“合并相同字体尺寸的标题”选项。

祝各位网友的母亲节日快乐！

[TroyDanielFZ]

哭求一个全部大写的条件。（其实更好的方法是提供一个自己可以输入正则的编辑框。）

祝所有母亲节日快乐！

[wmjordan]

其实更好的方法是提供一个自己可以输入正则的编辑框

是的。有空再加上去。

[wmjordan]

最新的测试版已经支持输入正则表达式，但是对于一行文本有多种不同字体的情况还不能完美地处理。
而这种情况又非常常见，需要继续生成书签文本的算法。