背景
最近在看《人月神话》这边电子书pdf版。 因为文章很长，目前对于指定的章节很感兴趣， 希望能跳转到指定的章节观看， 但是发现手上这本pdf 没有目录， 无法通过目录来跳转到指定章节， 所以搜索了一下有哪些好的方法能实现生成pdf目录。
解决问题的思路
- 通过书签的功能， 我们可以实现跳转到指定章节
- 书签的内容来自哪里？ 怎么制作书签？
- 源pdf 中有目录图片，但是怎么提取目录内容？ （通过OCR技术）
- 通过OCR提取的内容是纯文本， 而且格式页不是很准确， 怎么修改格式？ （GPT）
- 怎么在pdf中生成书签？ （PdgCntEditor 软件）
具体步骤
- pdf 拆分（当pdf较大时， 无法一次性导入pdf 进行OCR, 拆分后可以提取出只包含目录页的pdf）：
- pdf 目录页OCR （尝试了多种后， 使用了白描的OCR , 主要是提供了网页版相对方便， 但是也需要进行一次人工校对）
- GPT格式化OCR内容 （只是自己尝试的结果， 仅做参考）
- （不太行）文言一心结果分享
- （还行） 通义千问 （就是不能分享对话结果）
- （相对较好）chatgpt结果分享
- 使用PdgCntEditor软件制作目录（使用说明直接用搜索软件进行搜索就行）
总结
这次尝试只是自己的一次折腾，本来希望的是能达到自动化的程度， 但是尝试下来， OCR的结果还需要人工干预（数据的预处理 + OCR后结果的校对）， 然后是GPT目前对于大文本还是有长度限制，需要分批处理。
在整体流程中，人工干预的成本还是相对比较大， 期待后续有更好的技术升级， 能够将这种场景进行自动化生成。
