python - 将 PDF 文件拆分为段落

Question

我有一个关于拆分 pdf 文件的问题。基本上我有一个 pdf 文件的集合，我想根据 段落 拆分这些文件。所以pdf文件的每一段都是一个独立的文件。如果您能帮助我解决这个问题，我将不胜感激，最好是使用 Python，但如果这不可能，任何语言都可以。

Answer 1

您可以使用 pdftotext 来实现上述内容，将其包装在 python 子进程中。或者，您可以使用其他一些已经隐式执行此操作的库，例如 textract。这是一个简单的示例，注意:我使用 4 个空格作为分隔符将文本转换为段落列表，您可能需要使用不同的技术。

import re
import textract
#read the content of pdf as text
text = textract.process('file_name.pdf')
#use four space as paragraph delimiter to convert the text into list of paragraphs.
print re.split('\s{4,}',text)