如何解决如何从没有页眉或页脚的pdf文件中提取引文？
我需要从多个 PDF 文件（超过 400 个文件）中提取所有引文，并且我能够使用正则表达式提取所有引文并且它有效，只是在某些情况下存在问题，其中一半在页的结尾，另一半在另一页的开头。在这种情况下，页面的页脚被包含在内，我想要一种方法来提取没有页脚的引文。
黄色部分是我想要提取的。 黄色+绿色部分是我得到的
使用的正则表达式：
(\([A-Z][^\s0-9]+(\d{4}|[;,]|and|al|[A-Z][^\s0-9]+|\.|\s|-\n[a-z]+)+\d{4}[a-z]?\))
和
([A-Z][^\s0-9,;]+(and|al|[A-Z][^\s0-9]+|\.|\s|-\n[a-z]+)+\(\d{4}[a-z]?\))
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
