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 段落 拆分这些文件。所以pdf文件的每一段都是一个独立的文件。如果您能帮助我解决这个问题,我将不胜感激,最好是使用 Python,但如果这不可能,任何语言都可以。
请您参考如下方法:
您可以使用 pdftotext 来实现上述内容,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此操作的库,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)
