前言

这篇文章介绍了一个给PDF加书签的案例，重在把多种工具综合使用以解决问题，凡是代码中能体现的信息，不会再作解释，读者如有一定的Linux基础，阅读起来会比较顺畅。

提取PDF文件中的文本

java -jar pdfbox-app-2.0.11.jar ExtractText onenote.pdf onenote.txt
tac onenote.txt > reverse.txt

PDFBox是一个Java平台的PDF处理类库，它的jar包提供了一些命令行接口。

生成原始书签素材

生成二级书签：awk -f script1.awk onenote.txt > bookmark1.txt

script1.awk

/的第 [0-9]+ 页/ {
   if(NF == 3)
       pagenumber = $2
   if(NF == 5)
       pagenumber = $4
}
/[0-9]+年[0-9]+月[0-9]+日 [0-9]+:[0-9]+/ {
   datelinemet = 1
   datelinenumber = NR
}
datelinemet == 1 && NR == datelinenumber + 1 {
   datelinemet = 0
   print "BookmarkPageNumber: " pagenumber
   print "BookmarkLevel: " 2
   print "BookmarkTitle: " $0
   print "BookmarkBegin"
}

生成一级书签：awk -f script2.awk reverse.txt > bookmark2.txt

script2.awk

BEGIN {
    prevpartitionname = "NULL"
    partitionname = "NULL"
}
/的第 [0-9]+ 页/ {
    if(NF == 3) {
        pagenumber = $2
        gsub("分区", "", $1)
        gsub("的第", "", $1)
        partitionname = $1
    }
    if(NF == 5) {
        pagenumber = $4
        partitionname = $2
    }
}
partitionname != prevpartitionname {
    prevpartitionname = partitionname
    print "BookmarkBegin"
    print "BookmarkTitle: " partitionname
    print "BookmarkLevel: " 1
    print "BookmarkPageNumber: " pagenumber
}

得到一级书签应该放在bookmark1.txt中的位置：

n=`wc -l bookmark2.txt | awk '{print $1}'`
grep -n -E -e "`sed -n \"1,$(($n-1))s/\$/\$|/g;s/^/^/g;/BookmarkPageNumber/H;\\$s/$/$/g;\\$g;\\$p\" bookmark2.txt | tr -d "\n"`" bookmark1.txt > bookmark3.txt

bookmark2.txt相比于bookmark3.txt缺少一些书签，需要人工比对后按照格式增加到里面。

生成最终书签文件

为后续sed命令的执行准备脚本：sh script.sh > bookmark4.sed

script.sh

IFS=$'\n'
lns=(`cat bookmark3.txt | cut -d: -f1`)
i=0
for l in `cat bookmark2.txt`; do
    if (($i%4 == 0)); then
        echo $((${lns[$i/4]}-3))i\\
        echo $l\\
    else 
        if (($i%4 == 3)); then
            echo $l
        else
            echo $l\\
        fi
    fi
    i=$(($i+1))
done

执行sed命令 ，修改bookmark1.txt为最终版：sed -f bookmark4.sed -i bookmark1.txt

将书签信息导入PDF文件中

pdftk onenote.pdf update_info_utf8 bookmark1.txt output onenote_new.pdf

注意必须使用update_info_utf8这个选项，而不是类似的update_info，后者不支持中文书签。