1. 项目概述为什么我们需要自动化的PDF书签处理过PDF文档的朋友尤其是那些动辄几百页的技术手册、学术论文或者扫描版电子书一定对“手动添加书签”这件事深恶痛绝。想象一下你拿到一份没有目录的PDF想要快速定位到第三章的某个小节只能靠滑动滚动条或者输入页码来“盲找”效率极低。书签Bookmark在PDF世界里就是那个能让你在侧边栏一键跳转到指定章节的导航神器。然而现实很骨感。很多由扫描件合并、或从网页等其他格式转换而来的PDF其内部的文本层可能完好无损但偏偏缺少了这个结构化的书签目录。手动添加如果文档只有十几页尚可忍受但对于上百页的文档这无异于一场灾难。你需要一页页地看找到章节标题然后在PDF编辑器里手动创建书签再调整层级……这个过程枯燥、耗时且极易出错。“自动生成PDF书签目录”这个项目瞄准的就是这个痛点。它的核心目标是让程序代替人工自动识别PDF文档中的章节标题结构并生成一个层次清晰、可点击跳转的书签目录直接嵌入到原PDF文件中。这不仅仅是添加几个链接那么简单它涉及到对文档内容的智能理解识别什么是标题、对逻辑结构的准确重建判断章节层级关系以及最终对PDF文件的精确修改。从网络热词中我们可以看到大量相关的需求场景有人苦恼于“谷歌手机浏览器书签导出不了”这本质是数据迁移和结构化的问题有人在研究“Python提取PDF中的图片”或“PDF转Word”这属于PDF内容解析的范畴更有人直接关注“目录结构”、“目录深度”这些概念。而我们的项目正是这些技术的集大成者与实用化落地。无论是整理“梁文峰录音稿原文PDF”这样的长文档还是处理日常的工作报告、电子书一个自动化的书签生成工具都能极大提升阅读和检索效率。接下来我将以一个实践者的角度拆解如何从零开始构建这样一个工具分享其中的核心技术选型、实现细节以及我踩过的那些坑。2. 核心思路与技术选型不走弯路的架构设计实现PDF书签自动生成听起来像是一个魔法黑盒但拆解开来无非是三个核心步骤解析、识别、写入。技术选型的优劣直接决定了最终工具的准确性、效率和易用性。2.1 总体流程拆解一个健壮的自动化流程应该如下所示输入与解析读取PDF文件将其内容特别是文本和布局信息提取出来为分析做准备。标题识别与结构化这是最核心、最复杂的部分。从提取出的文本中智能地识别出哪些是章节标题并判断它们之间的层级关系如第1章 1.1节 1.1.1小节。书签生成与写入根据识别出的标题层级结构调用PDF操作库在原始PDF文件中创建对应的书签节点并绑定到正确的页码。2.2 关键技术栈选型与理由2.2.1 PDF解析库PyMuPDF (fitz) 与 pdfplumber市面上PDF解析库很多如PyPDF2、pdfminer等但经过多次实践我主要推荐两个PyMuPDF (fitz)这是我们的主力工具。它功能极其强大速度飞快不仅支持完美的文本、图片提取其独有的page.get_text(“dict”)或page.get_text(“blocks”)方法能返回带有详细位置坐标、字体大小、字体名称等元信息的结构化数据。这对于标题识别至关重要因为标题通常具有更大的字体、加粗、或特定的位置如居中。此外它直接支持书签在PDF标准中称为“Outline”的读取和写入一站式服务。注意PyMuPDF的安装包名是fitz但导入时常用import fitz。确保安装PyMuPDF库。pdfplumber作为辅助和验证工具。它在表格提取方面表现出色同时其提供的字符级page.chars和单词级page.extract_words()的详细信息有时能提供比PyMuPDF更精细的布局分析特别是在处理复杂排版时可以交叉验证。为什么不选PyPDF2虽然它很流行但其文本提取功能相对较弱通常丢失布局和字体信息这对于需要基于格式识别标题的场景来说是致命的短板。2.2.2 标题识别策略基于规则与启发式算法完全依赖AI模型进行语义理解固然强大但对于此项目可能“杀鸡用牛刀”且依赖大量标注数据。更实用、更轻量的是基于规则的启发式算法。核心思路是综合利用多种特征字体特征标题的字体大小通常比正文大。我们可以统计全文档字体大小的分布将大于某个阈值如平均字体的1.5倍的文本块列为候选标题。样式特征标题常常被加粗font.flags中对应位为真、使用特定字体如黑体、宋体加粗。位置特征章节标题通常位于页面的顶部且可能居中或左对齐。通过文本块的bbox边界框坐标可以判断其位置。文本模式特征这是判断层级的关键。使用正则表达式匹配常见的标题模式r’^第[一二三四五六七八九十零\d]章’匹配“第一章”、“第12章”r’^\d\.\d(\.\d)*’匹配“1.1”、“2.3.4”r’^[一二三四五六七八九十]、’或r’^\(\d\)’匹配“一、”、“(1)”等序列与层级推断识别出所有候选标题后需要根据它们的页码顺序、字体大小递减规律、编号连续性等推断出树形层级结构。例如“第1章”字体28下的“1.1 概述”字体24下的“1.1.1 细节”字体20。2.2.3 书签写入PyMuPDF 一站式完成识别出结构后使用PyMuPDF创建书签非常简单。核心对象是Document的outline属性。我们可以通过doc.set_toc(toc)方法一次性设置完整的目录其中toc是一个列表每个元素是一个包含层级、标题、页码、缩进等信息的元组或字典。PyMuPDF会帮我们处理好所有底层的PDF对象操作。2.2.4 可选OCR后备方案对于纯扫描版图片PDF没有文本层上述文本解析方法失效。此时需要引入OCR光学字符识别作为后备方案。pytesseractTesseract的Python封装是免费首选配合pdf2image库先将PDF每一页转为图片再进行识别。但OCR过程慢、有误差且会丢失字体样式信息标题识别难度剧增通常只作为最后手段。技术选型总结表模块首选方案备选/辅助方案核心考量PDF解析PyMuPDF (fitz)pdfplumber速度、信息完整性字体、坐标、书签操作集成标题识别基于规则的启发式算法(可后期集成)预训练NLP模型轻量、可控、无需训练数据、对格式规整文档效果好书签写入PyMuPDF无与解析库同源API统一稳定可靠OCR支持pytesseract pdf2image商业OCR API应对扫描件作为降级方案3. 实战开发一步步构建你的自动书签生成器理论说再多不如一行代码。让我们从一个最简单的脚本开始迭代成一个健壮的工具。我将使用PyMuPDF作为核心库进行演示。3.1 基础环境搭建与PDF解析首先安装必要的库pip install PyMuPDF pdfplumber如果需要OCR功能还需安装pip install pdf2image pytesseract pillow # 并且需要在系统上安装Tesseract-OCR引擎让我们先写一个脚本来探索PDF的结构import fitz # PyMuPDF def explore_pdf_structure(pdf_path): 探索PDF的页面和文本块信息帮助我们制定标题识别规则。 doc fitz.open(pdf_path) print(f文档总页数: {doc.page_count}) for page_num in range(min(3, doc.page_count)): # 先看前3页 page doc.load_page(page_num) # 使用‘dict’或‘blocks’模式获取带详细属性的文本块 blocks page.get_text(“blocks”) print(f\n 第 {page_num 1} 页共 {len(blocks)} 个文本块 ) for i, block in enumerate(blocks): # block结构: (x0, y0, x1, y1, “文本”, block_no, block_type) x0, y0, x1, y1, text, block_no, block_type block if text.strip(): # 只打印有文字的块 print(f块 {i}: 坐标[{x0:.1f}, {y0:.1f}, {x1:.1f}, {y1:.1f}], 文本: ‘{text[:50]}...‘) # 获取更详细的字体信息需要用到‘dict’模式这里先略过 doc.close() if __name__ “__main__”: explore_pdf_structure(“你的文档.pdf”)运行这个脚本你可以看到PDF被分解成了一个个矩形文本块以及它们的坐标。这是所有后续分析的基础。3.2 核心算法标题识别与层级构建接下来是重头戏。我们将编写一个函数它接收一个PDF文档对象返回一个结构化的标题列表。import re import fitz def identify_headings(doc, font_size_threshold_ratio1.3, top_margin_ratio0.2): 识别PDF中的标题。 参数: doc: PyMuPDF打开的文档对象。 font_size_threshold_ratio: 标题字体大小与页面平均字体大小的最小比值。 top_margin_ratio: 位于页面顶部比例的文本块才被视为标题候选。 返回: list: 每个元素是一个字典包含‘text‘, ‘page‘, ‘level‘, ‘bbox‘等信息。 headings [] all_font_sizes [] # 第一遍扫描收集所有字体大小用于计算阈值 for page_num in range(doc.page_count): page doc.load_page(page_num) dict_page page.get_text(“dict”) for block in dict_page[“blocks”]: if “lines” in block: for line in block[“lines”]: for span in line[“spans”]: all_font_sizes.append(span[“size”]) if not all_font_sizes: return headings avg_font_size sum(all_font_sizes) / len(all_font_sizes) size_threshold avg_font_size * font_size_threshold_ratio print(f”全文档平均字体大小: {avg_font_size:.1f}, 标题阈值: {size_threshold:.1f}”) # 第二遍扫描识别候选标题 for page_num in range(doc.page_count): page doc.load_page(page_num) page_height page.rect.height dict_page page.get_text(“dict”) for block in dict_page[“blocks”]: if “lines” in block: # 一个文本块可能有多行我们通常取第一行作为代表对于标题通常是单行 first_line block[“lines”][0] first_span first_line[“spans”][0] text first_span[“text”].strip() font_size first_span[“size”] is_bold first_span[“flags”] 2**4 # 检查是否加粗 # 获取文本块的大致垂直位置y0 bbox fitz.Rect(block[“bbox”]) vertical_position bbox.y0 # 规则1: 字体大小大于阈值 rule_size font_size size_threshold # 规则2: 位于页面顶部区域 rule_position vertical_position page_height * top_margin_ratio # 规则3: 文本非空且不是纯页码等无关信息 rule_content text and not re.match(r’^\d$’, text) # 过滤纯数字 # 规则4: 匹配常见的标题文本模式高优先级 pattern_match False patterns [ r’^第[一二三四五六七八九十零\d]章\s*’, # 匹配“第1章” r’^第[一二三四五六七八九十零\d]节\s*’, r’^\d(\.\d)*\s’, # 匹配“1”、“1.1”、“2.3.4.5” r’^[一二三四五六七八九十]、\s*’, r’^[A-Z][\.\s]’, # 匹配“A.”或“A ” ] for pattern in patterns: if re.match(pattern, text): pattern_match True break # 判定逻辑要么匹配了标题模式要么字体大且位置靠上 if rule_content and (pattern_match or (rule_size and rule_position)): # 初步判定为标题开始确定层级 level 1 # 默认层级 # 基于字体大小粗略划分层级可优化 if font_size size_threshold * 1.5: level 1 elif font_size size_threshold * 1.2: level 2 else: level 3 # 基于文本模式精确划分层级优先级更高 if re.match(r’^第[一二三四五六七八九十零\d]章’, text): level 1 elif re.match(r’^第[一二三四五六七八九十零\d]节’, text) or re.match(r’^\d\.\d\s’, text): level 2 elif re.match(r’^\d\.\d\.\d\s’, text): level 3 heading_info { “text”: text, “page”: page_num, # PyMuPDF页码从0开始 “level”: level, “font_size”: font_size, “bbox”: (bbox.x0, bbox.y0, bbox.x1, bbox.y1), “is_bold”: bool(is_bold) } headings.append(heading_info) print(f”发现标题: 第{page_num1}页, Lv{level}, ‘{text}‘, 字体{font_size}”) # 按页码和垂直位置排序 headings.sort(keylambda x: (x[“page”], x[“bbox”][1])) return headings这个identify_headings函数已经具备了基础识别能力。它结合了字体大小、位置、文本模式三种特征并给出了一个初步的层级划分。这里有一个关键心得font_size_threshold_ratio和top_margin_ratio这两个参数需要根据你的文档类型进行微调。技术文档可能层级分明字体差异大阈值可以设高一点如1.5而一些排版紧凑的论文或报告可能需要调低阈值如1.2并更依赖文本模式匹配。3.3 生成并写入书签目录识别出标题列表后我们需要将其转换为PyMuPDF能接受的目录格式并写入PDF。def add_bookmarks_to_pdf(input_pdf_path, output_pdf_path, headings): 将识别出的标题列表作为书签写入新的PDF文件。 参数: input_pdf_path: 输入PDF路径。 output_pdf_path: 输出PDF路径。 headings: 由identify_headings函数生成的标题字典列表。 doc fitz.open(input_pdf_path) toc [] # 目录项列表每个元素是 [level, title, page, …] for h in headings: # PyMuPDF的toc项格式: [level, title, page, …] 其中page是0-based索引的页码。 # 我们通常希望书签指向标题所在页所以直接用识别出的页码。 # 注意有些用户可能希望指向标题开始的具体位置坐标这需要更复杂的‘dest‘参数。 toc_entry [h[“level”], h[“text”], h[“page”]] toc.append(toc_entry) # 设置文档目录 doc.set_toc(toc) # 保存为新文件 doc.save(output_pdf_path) doc.close() print(f”书签已生成并保存至: {output_pdf_path} 共添加 {len(toc)} 个书签节点。”) # 主程序流程 if __name__ “__main__”: input_pdf “待处理文档.pdf” output_pdf “带书签_文档.pdf” doc fitz.open(input_pdf) extracted_headings identify_headings(doc) doc.close() if extracted_headings: add_bookmarks_to_pdf(input_pdf, output_pdf, extracted_headings) else: print(“未识别到任何标题。”)至此一个最基础的自动书签生成器就完成了。打开输出的PDF你应该能在侧边栏看到自动生成的书签目录。4. 高级优化与异常处理让工具更聪明、更健壮上面的基础版本能处理很多格式规范的文档但现实中的PDF千奇百怪。我们必须增加更多的逻辑来处理边界情况提升工具的鲁棒性。4.1 处理复杂层级与编号连续性基础版本对层级的判断比较简单。更优的策略是基于编号的连续性进行层级推断。例如遇到“1.1”之后是“1.2”那么它们应是同级遇到“1.1”之后是“1.1.1”那么后者是前者的子级。def refine_headings_with_numbering(headings): 基于编号模式优化标题的层级关系。 使用一个栈来维护当前的层级路径。 if not headings: return headings refined [] stack [] # 栈中保存 (level, numbering_prefix) 元组 for h in headings: text h[“text”] current_level h[“level”] numbering None # 尝试提取编号 # 匹配 “1.1.1 标题” 中的 “1.1.1” match re.match(r’^(\d(\.\d)*)\s’, text) if match: numbering match.group(1) parts numbering.split(‘.’) # 编号的深度可以作为层级的重要参考 inferred_level_from_number len(parts) # 层级调整逻辑 if not stack: # 第一个标题直接入栈 stack.append((current_level, numbering)) h[“level”] 1 # 根层级重置为1 else: last_level, last_numbering stack[-1] if numbering and last_numbering: # 都有编号进行逻辑判断 cur_parts numbering.split(‘.’) last_parts last_numbering.split(‘.’) # 情况1: 当前编号是上一个编号的直接子节如 1.1 - 1.1.1 if len(cur_parts) len(last_parts) 1 and numbering.startswith(last_numbering ‘.’): current_level last_level 1 # 情况2: 当前编号是上一个编号的同级后续如 1.1 - 1.2 elif len(cur_parts) len(last_parts) and ‘.’.join(cur_parts[:-1]) ‘.’.join(last_parts[:-1]): current_level last_level # 情况3: 当前编号回退到更高级别如 1.1.1 - 2.1 else: # 需要回退栈找到匹配的父级或同级 while stack: pl, pn stack[-1] if pn and numbering.startswith(pn ‘.’): current_level pl 1 break elif pn and len(numbering.split(‘.’)) len(pn.split(‘.’)) and not numbering.startswith(pn): current_level pl break else: stack.pop() if not stack: current_level 1 stack.append((current_level, numbering)) # 更新栈 # 如果当前层级小于等于栈顶层级说明需要弹出直到找到父级 while stack and current_level stack[-1][0]: stack.pop() stack.append((current_level, numbering)) h[“level”] current_level refined.append(h) return refined在调用add_bookmarks_to_pdf之前先对headings调用这个函数进行优化。4.2 过滤误识别与噪音文档中可能有页眉、页脚、图表题注等也被识别为候选标题需要过滤。def filter_noise_headings(headings, doc): 过滤掉可能是页眉、页脚、图表标题等噪音的标题。 filtered [] for h in headings: text h[“text”] page_num h[“page”] page doc.load_page(page_num) page_width, page_height page.rect.width, page.rect.height bbox_x0, bbox_y0, bbox_x1, bbox_y1 h[“bbox”] # 规则1: 过滤过短的文本可能是图标、编号碎片 if len(text) 2: continue # 规则2: 过滤位于页面底部页脚区域的文本 if bbox_y0 page_height * 0.9: # 底部10%区域 continue # 规则3: 过滤位于页面顶部但宽度极窄可能是页码的文本 if bbox_y0 page_height * 0.1 and (bbox_x1 - bbox_x0) page_width * 0.1: continue # 规则4: 过滤包含特定噪音词的文本如“目录”、“图”、“表” noise_keywords [“目录”, “图”, “表”, “Figure”, “Table”, “页”, “Page”] if any(keyword in text for keyword in noise_keywords) and len(text) 10: continue filtered.append(h) return filtered4.3 处理扫描件PDFOCR集成对于没有文本层的PDF我们需要启动OCR流程。这是一个降级方案速度慢准确率依赖图片质量。import pdf2image import pytesseract from PIL import Image def ocr_pdf_to_text(pdf_path, dpi300): 将PDF每一页转换为图片并进行OCR识别。 返回一个列表每个元素是(页码, 识别出的文本)。 注意此函数非常耗时仅用于纯图片PDF。 print(“开始OCR处理这可能需要几分钟...”) images pdf2image.convert_from_path(pdf_path, dpidpi) ocr_results [] for i, image in enumerate(images): # 转换为灰度图有助于提升OCR精度 gray_image image.convert(‘L’) text pytesseract.image_to_string(gray_image, lang‘chi_simeng’) # 中英文混合 ocr_results.append((i, text)) print(f”已OCR第{i1}页”) return ocr_results def process_ocr_results_for_headings(ocr_results): 从OCR识别出的纯文本中尝试识别标题。 由于丢失了字体和位置信息此方法准确率较低主要依赖文本模式匹配和行首位置推断。 headings [] for page_num, text in ocr_results: lines text.split(‘\n’) for line in lines: line line.strip() # 使用更宽松的正则表达式匹配可能的标题 patterns [ r’^第[一二三四五六七八九十零\d]章\s*[\.\s]*’, r’^第[一二三四五六七八九十零\d]节\s*’, r’^\d(\.\d)\s’, r’^[一二三四五六七八九十]、\s*’, r’^[A-Z][\.\s]\s*’, ] for pattern in patterns: if re.match(pattern, line): # OCR后无法获取层级默认给一个层级或尝试从编号推断 level 1 if re.match(r’^\d\.\d\.\d’, line): level 3 elif re.match(r’^\d\.\d’, line): level 2 headings.append({“text”: line, “page”: page_num, “level”: level}) break return headings在主流程中可以先尝试用PyMuPDF提取文本如果提取出的文本非常少比如平均每页少于50个字符则判定为扫描件启动OCR流程。4.4 提供用户交互与校正接口全自动不可能100%准确一个好的工具应该允许用户干预。我们可以将识别出的标题列表输出为一个中间文件如CSV或JSON让用户手动调整层级、删除误识别的项然后再读入并生成最终PDF。import csv def export_headings_to_csv(headings, csv_path): 将识别出的标题导出为CSV文件供用户校对。 with open(csv_path, ‘w’, newline‘’, encoding‘utf-8-sig’) as f: writer csv.writer(f) writer.writerow([‘Page’, ‘Level’, ‘Text’]) for h in headings: # 页码通常显示为从1开始所以1 writer.writerow([h[‘page’]1, h[‘level’], h[‘text’]]) def import_headings_from_csv(csv_path): 从校对后的CSV文件导入标题信息。 headings [] with open(csv_path, ‘r’, newline‘’, encoding‘utf-8-sig’) as f: reader csv.DictReader(f) for row in reader: headings.append({ “text”: row[‘Text’], “page”: int(row[‘Page’]) - 1, # 转换回0-based索引 “level”: int(row[‘Level’]) }) return headings5. 封装与部署从脚本到实用工具一个完整的工具还需要考虑易用性。我们可以用argparse库创建一个命令行界面或者用PySimpleGUI、tkinter做一个简单的图形界面。命令行版本示例import argparse def main(): parser argparse.ArgumentParser(description‘自动为PDF生成书签目录’) parser.add_argument(‘input’, help‘输入PDF文件路径’) parser.add_argument(‘-o’, ‘–output’, help‘输出PDF文件路径默认原文件名_out.pdf’) parser.add_argument(‘–ocr’, action‘store_true’, help‘强制使用OCR模式针对扫描件’) parser.add_argument(‘–review’, action‘store_true’, help‘生成CSV文件供人工校对而不直接输出PDF’) args parser.parse_args() input_path args.input output_path args.output if args.output else input_path.replace(‘.pdf’, ‘_bookmarked.pdf’) review_mode args.review # … (整合上述所有函数的主逻辑) # 1. 打开PDF # 2. 根据–ocr标志选择文本提取方式 # 3. 识别标题 # 4. 如果–review导出CSV否则优化标题并写入PDF print(“处理完成”) if __name__ ‘__main__’: main()这样用户就可以在终端中运行python pdf_bookmarker.py 我的文档.pdf -o 带目录.pdf。图形界面PySimpleGUI简化示例import PySimpleGUI as sg import os layout [ [sg.Text(“选择PDF文件:”), sg.Input(key“-IN-”), sg.FileBrowse(file_types((“PDF Files”, “*.pdf”),))], [sg.Checkbox(“启用OCR扫描件”, key“-OCR-”), sg.Checkbox(“先生成校对文件”, key“-REVIEW-”)], [sg.Button(“生成书签”), sg.Button(“退出”)], [sg.Output(size(80, 20), key‘-OUTPUT-’)] ] window sg.Window(“PDF书签自动生成器”, layout) while True: event, values window.read() if event in (sg.WINDOW_CLOSED, “退出”): break if event “生成书签”: input_pdf values[“-IN-”] if not os.path.exists(input_pdf): sg.popup_error(“文件不存在”) continue # 在这里调用核心处理函数并将打印信息重定向到sg.Output print(f”开始处理: {input_pdf}”) # … (调用处理逻辑) print(“处理完成”) sg.popup(“完成”, f”输出文件已保存。”) window.close()6. 避坑指南与经验总结在开发和使用这个工具的过程中我积累了一些宝贵的经验这些是你在任何官方文档里都找不到的“坑”。字体大小阈值的动态计算不要用一个固定的字体大小如20作为阈值。不同文档的基准字体大小差异巨大。一定要先统计全文档的字体大小分布用中位数或平均数的倍数作为阈值这样适应性更强。坐标系的差异PyMuPDF的坐标系原点在页面左上角y轴向下递增。而有些PDF阅读器或库的坐标系可能不同。在处理位置如判断顶部区域时务必清楚你用的库的坐标系。“隐形”文本块有些PDF的页眉页脚可能是表单字段Form Field或注释Annotation用get_text(“blocks”)可能提取不到。必要时可以检查page.annots()或page.widgets()。复杂中文排版某些中文PDF使用特殊字体或编码可能导致提取的文本乱码或顺序错乱。可以尝试page.get_text(“text”)和page.get_text(“dict”)交叉验证并设置正确的编码。对于pytesseract指定lang‘chi_simeng’参数对中英文混合识别至关重要。性能优化处理超大型PDF如500页时将所有页面信息一次性读入内存可能压力很大。可以考虑分块处理或者只解析前N页和后N页来估算字体阈值。书签指向精度我们目前将书签指向标题所在的页码。但有时标题在页尾用户可能希望指向标题开始的具体位置。这可以通过在set_toc时为每个目录项指定一个dest参数一个fitz.Point对象来实现指向标题的精确坐标。但这需要更精细的坐标计算并且不是所有PDF阅读器都完美支持。备份原文件务必务必务必在脚本中先保存到新文件而不是直接覆盖原PDF。任何自动修改都有风险保留原文件是最后的保障。这个项目从一个小想法到能处理大多数日常文档的实用工具核心在于对PDF结构的深入理解和多层规则的灵活应用。它不是一个一劳永逸的解决方案而是一个可以随着遇到的新文档类型不断进化的“活工具”。你可以根据自己最常处理的文档类型不断调整和丰富identify_headings函数中的规则让它变得越来越聪明。最后将核心函数模块化配上友好的界面它就能成为你办公工具箱里又一个提升效率的利器。
