由我和我的大肥鱼一起制作

把整本 PDF 按章节切开，再一键导入 OneNote —— 一章（或一节）一个页面，可以拿触控笔在书上直接写。

扫描版教材、电子版教材、文件汇编都能处理 —— 扫描件没有文本层、书签只是页码，电子版又常常书签和目录页码对不上，而 OneNote 只认物理页。

1. 自动识别章节：书签 → 文本层 → OCR 目录页 → 固定页数，四级降级，扫描件也能认出目录
2. 按章 / 按节切分：输出一堆小 PDF，文件名直接就是章节名
3. 一键导入 OneNote：每个 PDF 一个页面，页面标题自动用文件名，导入后可手写批注、可被 OCR 搜索

git clone <your-repo> pdf2onenote
cd pdf2onenote

python -m venv .venv
.venv\Scripts\pip install -r requirements.txt

Windows 上也可以直接双击 install.bat（会装上核心依赖，再尝试装可选的 OCR 依赖）。

rapidocr-onnxruntime 是扫描件识别目录用的（约 100MB，含模型），已拆到可选的 requirements-ocr.txt：

.venv\Scripts\pip install -r requirements-ocr.txt     # 只处理有书签/文本层的 PDF 时不用装

装不上也不影响拆分与导入——扫描件会退化为「固定页数」兜底切分。

python -m pdf2onenote split 书.pdf --level 1        # 按章
python -m pdf2onenote split 书.pdf --level 2        # 按章 + 按节（更细）
python -m pdf2onenote split 书.pdf --dry-run        # 先看识别结果，不切文件

输出：<PDF名>_章节/，里面的文件名形如 01_集合与映射.pdf、05-2_洛必达法则.pdf，另有 00_前置页（封面·版权·目录）.pdf（--no-front 可关）。章号取标题里的「第X章」；英文教材没有这个字样就按出现顺序编号（标题里自带的章号会去掉，避免 01_1 Introduction 这种重复），附录 / 索引 / 答案这类正文之后的内容排到 91 起。重名会自动加 _2 后缀，不会互相覆盖。

--level 2 在四个通道都生效（书签、文本层、OCR、兜底页数不产生节）；只有和章标题同页的那一节不单独成文件，内容包含在章文件里。

python -m pdf2onenote import ./书_章节 --limit 1    # 先试一个
python -m pdf2onenote import ./书_章节              # 全量

python -m pdf2onenote all 书.pdf --level 1

把 PDF 拖到 run.bat 上，自动拆分 + 导入。

依次采用预设的方法，识别到就停：

有文本层就不会去跑 OCR

目录页路径的流程（两种来源共用）：

1. 扫描前 N 页（--toc-scan，默认 30），用「行尾数字密度」找出目录页，再向前向后扩展成连续段

2. 把目录页拆成行，每行记下左边界 x 坐标，解析出 标题 … 页码；行尾数字若比全书页数还大（如标题里的年份 2024），不当页码

3. 按左缩进聚类分章/节，只有两条互补规则：

   情形	判定	例子
   多缩进层级（章比节更靠左）	取最左的「含章样条目」簇为章；章号与之不重叠的右栏簇视为双栏续章；整簇都是附页（索引/参考文献）的也保留	Chapter 1–4 左栏 + Chapter 5–8 右栏
   单缩进层级（整本左对齐）	只留章样条目（第X章 / Chapter N / 附录 / 索引…）与书末附页，N.M 小节与重复小节剔除	文件汇编、纯文本目录

   两种分栏都会先做「含章样条目的孤立小簇」保护：只有 ≥2 条章样条目的孤立簇才算真实续章/独立栏，单条噪声行不会劫持章层。

   进这一步之前还有两种排版要先归一化，不然标题会被拆错：

   • 页码是独立的文本框（排版软件常这么放），跟标题不在同一个行对象里 —— 按 y 邻近并回一行，只并「一边是纯页码、另一边不是」的组合，免得双栏目录左右两列并到一起
   • Chapter 1 / 第一章 这种章号独占一行 —— 并到紧随其后的标题行上当前缀，否则会被当成「标题 Chapter、页码 1」，整章信息全错

   中文「第X章」特殊路由：目录里出现 ≥3 个 第X章 就认定是显式章编号，直接按「第X章 + 书末附页」筛选，不再依赖缩进——扫描件 OCR 后章标题左边界会在 40~85 之间跳变，靠缩进会把大半章判成小节。

   按节切分（--level 2）：在上面结果之外，把 §1.1 / 一、 / （一） / 1.2 这类小节行收成 L2（文件名 01-1_…）。和章标题同页的第一节不单独成文件（会切出 0 页），它的内容自然落在章文件里。

4. 抽样几页正文，读页眉/页脚上的页码（扫描件是 OCR 页脚），投票算出「印刷页码 → PDF 页序」的偏移量；页脚页码居中或读不到时，退化为「目录末页 + 1」推算

5. 用偏移量把目录页码换算成 PDF 页序，切分；第一个条目如果不是第 1 页，最前面会补一个 00_前置页（封面·版权·目录），保证整本书不丢页（--no-front 可关）

第 3 步是关键。靠正则去认「第X章 / § / 一、」是认不全的——文件汇编类的文档根本没有「章」，只有文章标题和小节。改成看缩进后，教材和文件汇编都能认。

第 4 步同理：扫描件的目录印的是印刷页码，而 PDF 前面还夹着封面、版权、目录等页，两者差一个固定偏移。硬猜会错，所以直接去正文页眉页脚把页码读出来；读不到才用目录位置推算。

很多 Office 2024 / 365 机器上 COM 是坏的：Dispatch("OneNote.Application") 能成功，但 GetHierarchy 等方法一律返回 0x80004005，而且 ONENOTE.EXE 里没有可加载的类型库。工具会先探测 COM，不通就自动切到 UI 驱动。

UI 驱动通道的注意事项：

• 运行前手动把 OneNote 切到目标分区，脚本在当前分区建页
• 新版 OneNote 建页是异步的：脚本建页后等 1.5 s 再粘标题，粘完还会用 UI Automation 读回页面第一行校验，不一致会自动重试（最多 3 次）；剪贴板被别的程序占用时也会重试
• 运行期间别动鼠标键盘；想紧急停止就把鼠标甩到屏幕左上角
• 卡的话把 --delay 调大（默认 0.6s/页）

识别出来的章节不对 先用 --dry-run 看。扫描件常见问题是目录页没被找到，把 --toc-scan 调大（比如 40）。 还不行就加 --level 2 看小节是否被认出来（能看出缩进聚类对不对），或者直接改识别：_章节对照.txt 只是结果记录，改它不会影响切分。

导入顺序不对 / 节排到了章前面 导入按文件名里的「章号, 节号」数字排序（章永远在自己节前面），不再按字典序，所以 01_… 一定在 01-1_… 之前。

不想让封面和目录单独成一个文件 加 --no-front。

页面标题是「未命名」 最近版 OneNote 新建页面是异步的，粘标题有时会被吞掉。工具已经会等 1.5 s 并用 UI Automation 读回校验、失败重试；如果仍然出现，把 --delay 调大（比如 1.2）再试一次。

导入很慢 362 页大约 6–10 分钟，主要是 OneNote 自己粘贴渲染慢。分几次导入，每次 --limit。

页面里图片顺序乱了 别在导入过程中碰键盘鼠标。中断了的话，删掉当前页面，用 --limit 重来。

OCR 认不出目录 RapidOCR 对竖排、花式字体、密集点线目录效果一般。认不出时会落到固定页数切分。

识别太慢 扫 25 页目录大约 2–5 分钟（CPU 上跑 onnx）。把 --ocr-workers 调到 3–4 能快一倍，代价是多占几百 MB 内存；目录靠前的书也可以把 --toc-scan 调小。

第一章节页码认不出来 目录里第一章后面往往跟着最长的点线，OCR 容易把它连页码一起丢掉。工具发现首个条目的印刷页码不是 1 时，会自动按「正文首页 = 印刷页 1」补上第一章。

pdf2onenote/
├── pdf2onenote/
│   ├── toc.py        # 章节识别（书签 / 文本 / OCR / 兜底）
│   ├── splitter.py   # 按条目切 PDF
│   ├── onenote.py    # 导入（COM + UI 驱动双通道）
│   └── cli.py        # 命令行入口
├── selfcheck.py      # 自检（20 项，合成数据，不需要教材 PDF）
├── install.bat       # 建 venv + 装依赖（含可选 OCR）
├── run.bat           # PDF 拖上去，拆分 + 导入
├── requirements.txt      # 核心依赖
├── requirements-ocr.txt  # 可选：扫描件 OCR
├── CHANGES.md        # 改动记录（含真实教材 + OneNote 实机验证）
├── HANDOFF.md        # 交接说明（设计取舍、已知限制）
└── README.md

装好依赖后可以先自检，再处理自己的书：

python selfcheck.py                                    # 应输出「通过 20 / 失败 0 / 共 20」
python -m pdf2onenote split --dry-run "书.pdf"          # 先看识别结果

文本层目录页的解析靠「左缩进聚类 + 显式标记」两条互补规则，覆盖绝大多数教材与文件汇编。下面是实测中踩过并已在代码里修掉的坑，以及仍需注意的边界：

仍需注意：少数书第一章是 Introduction / Preface 这类没有 Chapter N 字样的无名章（如全书只有 Introduction 没有 Chapter N 的书），文本通道可能不把它单独成章——这类书通常有完整书签，会优先走书签通道；纯文本通道下可加 --level 2 或先用 --dry-run 确认。

「第X章」少于 3 个的中文书：explicit_cn 路由要求目录里至少有 3 个 第X章 才触发；只有 1–2 章的短书仍走缩进聚类，若同时有扫描抖动可能丢章（可先 --dry-run 确认）。

和章同页的第一节：§1.1 常常就印在章首页上，切出来会是 0 页文件，所以这一节不单独成文件，内容包含在章文件里（--level 2 下的正常行为）。

扫描件 / 无文本层 PDF：既无书签又无文本层的纯扫描书（如部分 z-library 扫描版），四级降级会一路走到 OCR 目录页通道。该通道需 pip install -r requirements-ocr.txt（复用 onnxruntime），会渲染并 OCR 前 --toc-scan（默认 30）页定位目录，CPU 上约 5–10 秒/页，整本定位耗时较久；首章常因页码缺失按印刷页 1 补。未装 OCR 时退化为「固定页数」兜底切分。

导入链路只做过一次实机验证：UI 驱动通道在一台 OneNote 桌面（6 页一章）上验证通过——页面标题正确、6 张图片都在。COM 通道仍未实测（多数 Office 365/2024 机器上它本来就是坏的）。COM 中途失败会自动回退到 UI 驱动；如果你机器上 COM 半通不通，直接加 --ui 更稳。

MIT