PyMuPDF中的段落提取

Question

我正在使用 PyMuPDF 从块单元的 PDF 中提取文本。在许多情况下，“块”似乎只是默认为换行符分隔的单元，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)

（example.pdf可以找到here）

如果不是从 Mac 的沼泽标准预览应用程序直接复制/粘贴，我可以忍受这一点，精美地保留了段落。 PyMuPDF 不做的 Preview 是什么？我的管道的其余部分几乎都锁定在 PyMuPDF 中，所以我不能真正使用 Preview 进行提取。

Answer 1

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。但要回答你的问题，我认为 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，你有：

...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，因此您可能还想连接组成段落的字符串。