Question

我有一个PDF格式的邮寄参考列表。邮件列表具有非常通用的格式，即作者姓名，后跟书名。请考虑以下示例：

美国阅读清单

民主理论

•达尔，民主理论序言

•熊彼特，资本主义，社会主义和民主（仅限介绍和第四部分）

•自由民主的制度，生活和时代

•达尔，民主及其批评者

现在我正在尝试使用pdf miner解析pdf并创建一个列表，其中第一个索引是作者名称，第二个索引是本书的名称，如下所示：

[Dahl，民主理论序言]

我正在尝试使用拆分功能，因为有一个逗号和一个后跟作者名称的空格。但是我得不到正确的结果。有人可以帮忙吗？

def extract():
    string = convert_pdf_to_txt("/Users/../../names.pdf")
    lines = list(filter(bool, string.split('\n')))
    for i in lines:
        check.extend(i.split(','))
    x=remove_numbers(check)
    remove_blank= [x for x in x if x]
    combine_two = [remove_blank[x:x + 2] for x in xrange(0,len(remove_blank), 2)]
    print combine_two

Answer 1

让我们看看这里出了什么问题。我做了一些猜测，但希望它们是相关的。

您的convert_pdf_to_text()函数返回包含PDF所有文本的单个长字符串。
您将文本拆分为", "，从而生成字符串列表。

根据您的示例数据，此列表看起来像这样（每个元素在这里单独一行）：

Dahl
Preface to Democratic Theory(line break)(bullet)(tab)Schumpeter
Captitalism
Socialism
and Democracy (Introduction and part IV only)(line break)(bullet)(tab)Machpherson
Life and Times of Liberal Democracy(line break)(bullet)(tab)Dahl
Democracy and its Critics

因为您在", "上拆分而不考虑数据被格式化为行的事实，所以您最终会得到每个项目中多行的内容。

现在您使用filter()迭代此列表并过滤掉所有不正确的列表。非空字符串为true，并且所有元素都是非空字符串，因此所有元素都可以通过。因此，filter()无法执行任何操作。

你似乎想要的更像是这样：

lines = [line.split(", ", 1) for line in string.splitlines() if ", " in line]

在这里，我们首先拆分行，过滤掉任何不包含逗号空间的行，然后根据在第一个逗号空间中拆分字符串返回列表列表。

使用Python解析pdf并提取Author和Book名称

1 个答案: