文章/答案/技术大牛

发布

问PyMuPDF中的段落提取
EN

Stack Overflow用户

提问于 2020-11-06 13:54:05

回答 1查看 1K关注 0票数 0

我正在使用PyMuPDF从PDF中提取块单元的文本。在许多情况下，“块”似乎只是缺省为换行符分隔的单位，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上找到example.pdf)

如果不是因为Mac的bog标准预览应用程序的直接复制/粘贴，漂亮地保留了段落，我可以接受这一点。预览正在做什么，而PyMuPDF不是？我的管道的其余部分几乎都被锁定在PyMuPDF中，所以我不能真正使用预览进行提取。

发布于 2020-11-12 20:59:34

我希望有一种方法可以调用Preview使用的引擎。它比我在Python中找到的任何东西都要好。但是为了回答您的问题，在我看来，PyMuPDF会在段落之间插入一个包含单个空格(' ')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'

由于每行文本都作为单独的字符串返回，因此您可能还希望将构成段落的字符串连接起来。

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/64709541

复制

相似问题

问PyMuPDF中的段落提取EN