如何解决PyMuPDF中的段落提取
我正在使用PyMuPDF从块单位中的PDF中提取文本。在许多情况下,“块”似乎只是默认使用换行符分隔的单元,而不是逻辑段落。
import fitz
doc = fitz.open("example.pdf")
blocks = [x[4] for x in doc[0].getText("blocks")]
print(blocks)
(可以在here中找到example.pdf)
我可以接受这一点,如果不是因为Mac的沼泽标准Preview应用程序直接复制/粘贴精美地保留了段落的事实。 PyMuPDF不是做什么的Preview?我的管道的其余部分几乎都已锁定在PyMuPDF中,因此我无法真正使用Preview进行提取。
解决方法
我希望有一种方法可以调用Preview使用的引擎。它比我为Python找到的任何东西都要好得多。但是要回答您的问题,在我看来PyMuPDF在段落之间插入了一个包含单个空格(' '
)的字符串。
例如,在第一段和第二段之间,您具有:
...ontspannen. ',' ','Kunnen...
您可以使用换行符('\n'
)替换所有单个空格字符串,如下所示:
for i in range(len(blocks)):
if blocks[i] == ' ':
blocks[i] = '\n'
由于每行文本都是作为单独的字符串返回的,因此您可能还希望将组成段落的字符串连接起来。
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。