智能识别目录怎么生成

打开一份300页的识别生成PDF合同，想找“违约责任”那一条，目录靠肉眼翻页得花两分钟。识别生成如果这份文件有智能识别生成的目录目录，点一下就能跳过去。识别生成这个目录不是目录手动敲出来的，是识别生成程序读出来的。

核心逻辑就一件事：让机器判断哪些行是目录标题，哪些行是识别生成正文。听起来简单，目录做起来全是识别生成细节。

先搞清楚文件长什么样

PDF分两种。目录一种是识别生成“真PDF”，文字层完整，目录复制粘贴能出来正常文字。识别生成另一种是扫描件，本质是图片，得先跑OCR。我见过一个项目，开发同学拿到扫描版合同直接调PDF解析库，解析出来全是空白，排查半天才发现文件里根本没有文字层。这一步的坑在于：不判断文件类型就上手写代码，后面全白干。

判断方法不复杂。用PyMuPDF打开文件，调page.get_text()，如果返回的字符串长度接近零，基本就是扫描件。这时候得切到OCR流程，Tesseract或者PaddleOCR都行。

提取候选行，别急着分类

有了文字层之后，逐行提取文本和格式信息。格式信息包括字号、字体、加粗、颜色、缩进量、行间距。这些东西在PDF里叫“span属性”，PyMuPDF的get_text("dict")能拿到。

为什么格式信息重要？因为人写文档时，标题和正文的视觉差异是刻意做出来的。一级标题通常20号字加粗，正文12号字常规体。机器就靠这些差异做初步筛选。

但光看字号不够。我遇到过一份技术文档，正文里夹了一段14号字的引用，比某些三级标题还大。如果只按字号阈值切，这段引用会被误判成标题。所以得综合判断。

特征组合比单一规则靠谱

实际操作中，我会给每一行算一个“标题分数”。字号超过正文均值加2分，加粗加2分，独立成行且前后有空行加1分，以数字编号开头（如“1.2”“第三章”）加2分，行长不超过30个字加1分。总分超过阈值就归为标题。

阈值定多少？没有标准答案。我一般先跑一遍，看误判情况再调。合同类文档阈值调低些，因为条款标题往往短且编号规整。学术论文阈值调高些，因为正文里经常出现加粗的关键词。

这套方法跑下来，一份结构清晰的文档，标题识别准确率能到90%以上。剩下的10%怎么办？加一层层级推断。

层级关系靠缩进和编号推

识别出标题行之后，得知道谁是一级谁是二级。最直接的信号是编号格式：“第一章”肯定比“1.1”高一级，“1.1”比“1.1.1”高一级。编号本身自带层级信息。

没有编号的文档，看缩进。一级标题通常左对齐，二级标题缩进两个字符，三级缩进四个。这个规律在Word导出的PDF里特别明显，因为Word的样式层级会映射成缩进量。

还有一种情况：标题居中。居中且字号最大的，大概率是一级。居中但字号稍小的，可能是二级。这种文档多见于报告和方案。

生成目录结构

层级确定后，输出就简单了。构造一个嵌套字典或列表，每个节点包含标题文本、层级、页码。页码从PDF的page.number拿。最后序列化成JSON或者直接写进PDF的书签层。

写书签用PyPDF2的addBookmark()，或者PyMuPDF的set_toc()。后者更方便，直接传一个[[层级, 标题, 页码], ...]的列表就行。

有个细节：页码要加1。PDF库的页码从0开始，但阅读器显示从1开始。这个off-by-one我踩过好几次，每次都得重新查。

实际效果和局限

拿一份50页的技术白皮书测试，手动做目录大概15分钟，程序跑一遍3秒出结果，准确率约92%。错的那8%主要是两种：一是正文里加粗的小标题被漏掉，二是多级列表的编号被误判成标题。

改进方向也有。引入字体名称特征——标题常用黑体或Arial Bold，正文用宋体或Times New Roman。再结合页面布局，标题通常不会出现在页面最底部。这些信号叠加起来，准确率还能再提几个点。

但别指望100%。文档排版千奇百怪，总有人用奇怪的方式做标题。程序能做的就是覆盖大多数情况，剩下的交给人工微调。毕竟生成目录的目的是省时间，不是完全替代人。