从pdfplumber中提取后如何删除英文单词之间的空格答案

【问题标题】：How to remove space between English Words after extracting from pdfplumber从pdfplumber中提取后如何删除英文单词之间的空格
【发布时间】：2021-03-15 13:04:48
【问题描述】：

我已将文本从 pdf（使用 pdfplumber）提取到 txt，但在 PDF 文件中没有的单词之间存在一些空格。

我尝试使用“Previous_word”+“current_word”组合查找单词并检查它们是否存在于 NLTK.words 中以找出单词之间有多余空格的位置，但效果不佳。

我正在寻找一些建议，谢谢

【问题讨论】：

好像有几个空格，是“\t”吗？能否附上一段文字样本？
用sedyou 可以：sed -i /s/\ */ /g <your file>，但我不知道这是否是一个好的答案，也许你可以直接在 python 中做一些更好的事情

标签： python pdf pdfplumber

【解决方案1】：

我建议在你的语料库中寻找两个不的后续单词的出现，这应该揭示这种拆分不会导致其他英文单词的所有情况。

【讨论】：

【解决方案2】：

将带有两个空格的单词放入列表的示例逻辑，然后您可以实现您喜欢的功能：

text = """
asdasd  asd asdd d
uuurr ii ii  rrr
"""

words = text.split(" ") #<- split if 1 spaces
dictionary = list() #<- dictionary list to compare
words_wrapper = list() #<- list of words with 2 spaces

for idx in range(len(words)):
    if words[idx] == '':
        word = f"{words[idx-1]} {words[idx+1]}"
        words_wrapper.append(word)
        if word in dictionary:
            pass #<- do sth 
            
# Print filtered words
print(words_wrapper)

或者您也可以使用 .join 将带有 2 个空格的单词组合在一起：

text = """
asdasd  asd asdd d
uuurr ii ii  rrr
"""

print("".join(text.split("  ")))

【讨论】：

如果您在提取的文本中进一步阅读，您会发现还有一些不需要的单空格（“profi tably”、“definitive”），双空格只是让人眼前一亮.因此，删除双空格并不能解决 OP 的问题。