從pdf中提取文本的換行符

Question

我正在編寫一個關於在pdf中提取文本的函數，我也在使用pyPdf庫。 提取沒問題。 但我遇到了一些問題，比如排除換行符。

所以我找到了添加換行符的方法，所以我這樣做了：

# 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())

問題甚至是這樣的情況：

1. Apple

變成這樣：

1.

Apple

它不應該是。 我只想在句子的每一端添加換行符。

有沒有辦法檢查或確定句子何時結束？ 或者檢查它是否為編號？

Answer 1

一個hackish解決方案是僅在完全停止不是緊跟數字之前執行替換。 將行content = content.replace('. ', '. <br />')更改為以下內容：

import re

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

Answer 2

為什么不使用re.sub（）？

對於點結束線並且可能帶有一些空格，模式應為“。\\ s * $”，即

import re
:

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

Answer 3

pyPdf非常適合某些事情，但不是很擅長文本提取。 看看pdfminer庫。 或者使用像pdftotext這樣的工具。