Question

我已经阅读了其他一些stackoverflow答案，但还没有找到一个令人满意的答案，但之前已经有人问过。当我尝试使用PyPDF2读取pdf文档时，它将句子中的所有单词合并为一个连续的字符串。有没有人在弄清楚如何避免这种情况方面有任何进展。以下是代码

 import PyPDF2
 import pandas as pd

 import  struct as struct

 from nltk import word_tokenize

 pdfFileObj = open("notes.pdf", 'rb')

  pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

 ## reading pages fine
 print(type(pdfReader.numPages))

## read in the pages 
pageObj = pdfReader.getPage(0)

 print(pageObj.extractText())

下面的

是输出的样本

2)Explanationofthedifferencebetweenprobabilityandstatistics.Theroleofprobability
instatisticaldecisionmaking.ExamplesoftheuseofProbabilityinStatistics.
3)Datasummarization(graphicalandnumerical)

4)Probabilityandrandomvariables

Answer 1

永远不知道如何删除空格，这是一个非常笨重的程序。我发现使用pdfMiner的答案是最有帮助的。它很容易理解，并且存在更好的文档。以下是与我自己有同样问题的人的链接。

http://survivalengineer.blogspot.ie/2014/04/parsing-pdfs-in-python.html

PyPDF2坚持删除所有空格

1 个答案: