从pdf中提取文本的换行符

Question

我正在编写一个关于在pdf中提取文本的函数，我也在使用pyPdf库。 提取没问题。 但我遇到了一些问题，比如排除换行符。

所以我找到了添加换行符的方法，所以我这样做了：

# Iterate pages
for i in range(0, pdf.getNumPages()):
    # Extract text from page and add to content
    content += pdf.getPage(i).extractText()
    content = content.replace('. ', '. <br />')
    pages += content

# Collapse whitespace
content = " ".join(pages.replace(u"\xa0", " ").strip().split())

问题甚至是这样的情况：

1. Apple

变成这样：

1.

Apple

它不应该是。 我只想在句子的每一端添加换行符。

有没有办法检查或确定句子何时结束？ 或者检查它是否为编号？

Answer 1

一个hackish解决方案是仅在完全停止不是紧跟数字之前执行替换。 将行content = content.replace('. ', '. <br />')更改为以下内容：

import re

re.sub(r'([^0-9])\. ', r"\1. <br />", content)

Answer 2

为什么不使用re.sub（）？

对于点结束线并且可能带有一些空格，模式应为“。\\ s * $”，即

import re
:

content = re.sub('\.\s*$', '. <br />', content)

Answer 3

pyPdf非常适合某些事情，但不是很擅长文本提取。 看看pdfminer库。 或者使用像pdftotext这样的工具。