目前，如果我使用 pyPdf 和 extractText() 创建 pdf 页面的页面对象，会发生的情况是行连接在一起。例如，如果页面的第 1 行显示“hello”，第 2 行显示“world”，则从 extractText() 返回的结果文本是“helloworld”而不是“hello world”。有谁知道如何解决这个问题，或者有解决方法的建议？我真的需要文本在行之间有空格，因为我正在对此 pdf 文本进行文本挖掘，并且行之间没有空格会杀死它......
这是 pdf 解析的常见问题。在某些情况下，您还可能需要修复尾随破折号。我为我的一个项目想出了一种解决方法，我将很快在这里描述：
I used pdfminer http://www.unixuser.org/~euske/python/pdfminer/index.html从 PDF 中提取 XML，并在 XML 中找到串联的单词。我提取了与 HTML 相同的 PDF，并且 HTML 可以通过以下正则表达式行进行描述：
<span style="position:absolute; writing-mode:lr-tb; left:[0-9]+px; top:([0-9]+)px; font-size:[0-9]+px;">([^<]*)</span>
跨度是绝对定位的，并且具有顶部样式，您可以使用它来确定是否发生换行。如果发生换行并且最后一行的最后一个单词没有尾随破折号，您可以将最后一行的最后一个单词和当前行的第一个单词分开。虽然细节可能很棘手，但您也许能够修复几乎所有文本解析错误。
此外，您可能想运行一个字典库，例如enchant http://www.rfk.id.au/software/pyenchant/在您的文本中查找错误，如果词典建议的修复类似于错误词，但在某处有空格，则错误词可能是解析错误，可以使用词典建议进行修复。
解析 PDF 很糟糕，如果您找到更好的来源，请使用它。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
