我有一个 PDF 文档,目前正在使用 Tika-Python 解析该文档。我想将文档分成几个段落。
我的想法是将文档分成段落,然后使用 isspace()
函数创建段落列表
我还尝试使用 \n\n
进行拆分,但没有任何效果。
这是我当前的代码:
file_data = (parser.from_file('/Users/graziellademartino/Desktop/UNIBA/Research Project/UK cases/file1.pdf'))
file_data_content = file_data['content']
paragraph = ''
for line in file_data_content:
if line.isspace():
if paragraph:
yield paragraph
paragraph = ''
else:
continue
else:
paragraph += ' ' + line.strip()
yield paragraph
最佳答案
我无法确定 file_data_content
现在是什么样子,因为我不知道您使用什么来处理 PDF 数据以及它返回什么。但是,如果它返回一个基本字符串,例如 Line1\nLine2\netc.
,则以下内容应该有效。当你说:
for line in file_data_content:
和 file_data_content
是一个字符串,您正在逐个字符而不是逐行处理字符串,这显然是一个问题。因此,您需要将文本拆分为行列表并处理该列表的每个元素:
def create_paragraphs(file_data_content):
lines = file_data_content.splitlines(True)
paragraph = []
for line in lines:
if line.isspace():
if paragraph:
yield ''.join(paragraph)
paragraph = []
else:
paragraph.append(line)
if paragraph:
yield ''.join(paragraph)
text="""Line1
Line2
Line3
Line4
Line5"""
print(list(create_paragraphs(text)))
打印:
['Line1\nLine2\n', 'Line3\nLine4\n', 'Line5']
关于python - 如何使用 Tika 将 PDF 拆分为段落,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58606054/