将PDF文件拆分为段落

Question

我有关于拆分pdf文件的问题。基本上我有一个pdf文件集合，我想根据段落分割哪些文件。所以pdf文件的每个段落都是一个文件。如果你可以帮助我，我会很感激，最好是用Python，但如果不可能，任何语言都可以。

Answer 1

您可以使用 pdftotext 进行上述操作，将其包装在python子进程中。或者，您可以使用其他已经隐式执行此操作的库，例如 textract 。这是一个快速示例，注意：我使用4个空格作为分隔符将文本转换为段落列表，您可能希望使用不同的技术。

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)