使用R或Python仅从PDF中提取项目符号

Question

我有一个相当简单的文件（政府的授权策略），包括标题，普通文本和项目符号（这是他们希望实施的策略）。

我可以从.pdf读取并提取页面或标题，并将其转换为.txt，但我只希望将文字（整段）保留在项目符号中，是我感兴趣的东西。我认为有一些方法可以做到这一点，因为它们可能会被子弹点本身识别出来。

在R和/或Python中是否有一种简单的方法可以做到这一点？我不熟悉其他编程语言或解析方法。

编辑：在页面上快速将基本文本转换为HTML（使用https://wordtohtml.net），它似乎将项目符号转换为<li>，我猜测它很容易解析。是否有一种快速简便的方法将整个262页的文档转换为HTML，保留<li>格式可能在R / python中？或者您是否知道PDF方式 - 对于我的问题，最好至少少一步 - 对于我的问题？

Answer 1

这是我的一般方法：

读入示例字符串

require(stringr)

string <- "passarão a estar inscritas políticas públicas que permitam:\n • Inverter a tendência de perda de 
rendimento das famílias, dos trabalhadores, dos\n funcionários públicos e dos pensionistas;\n"

按\n

拆分

#  match semi-colon or colon, then a backslash, then "n". I.E. split by ;\n or :\n
stringList <- unlist(str_split(string, "([;:])\\\n"))

返回以项目符号开头的任何字符串的位置：

matched <- grep("\\\u0095", stringList)

以子弹开头的字符串子集：

stringList[matched]

此解决方案目前的弱点是它依赖于以“; \ n”或“：\ n”开头的子弹。如果您只是按“\ n”分割，则只要它继续到第二行，就会丢失子弹的第二部分。根据文档的格式，您可能需要更改正则表达式以确保正确拆分字符串

您也可以通过项目符号进行初始拆分：stringList <- unlist(str_split(string, "\\u0095"))但是您需要一个规则来定义项目符号结束和纯文本开始的位置。