将 PDF 文件拆分为段落答案

【问题标题】：Splitting PDF files into Paragraphs将 PDF 文件拆分为段落
【发布时间】：2017-02-12 01:57:48
【问题描述】：

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 paragraph 来拆分这些文件。所以将pdf文件的每一段都单独作为一个文件。如果您能帮我解决这个问题，我将不胜感激，最好是在 Python 中，但如果这不可能，任何语言都可以。

【问题讨论】：

你打算用 python 从 PDF 中提取文本吗？也可以使用pdf2text。
我目前正在编写一个程序，该程序使用子进程调用来使用 pdftotext 解析 PDF。很有用：en.wikipedia.org/wiki/Pdftotext
@Radan 我想计算段落之间的相似度。所有的 pdf 文件都包含多个段落，我想看看这些段落之间的相似程度。但首先我需要将 pdf 文件分成几段。
直接转到文本会丢失很多信息，并且有许多转换参数，具体取决于您使用的包。但是，如果您选择访问 PDF 结构，我发现 pymupdf 是一个不错的选择，这里有一篇文章解释了如何在提取过程中使用该结构以获取更多信息：towardsdatascience.com/…

标签： python pdf split paragraph

【解决方案1】：

您可以使用 pdftotext 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)

【讨论】：