当前位置：首页 > news >正文

纯 C#实现+AOT 打造的智能PDF目录提取工具 PdfTocExtractor

news 2025/10/8 15:16:50

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

类似项目：

SharpIco
ImageGlider

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.ExportToFileAsync(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());