Question

我有一个包含82个段落的pdf文件，我的目标是使用python将每个段落分成自己的文本块。我已经使用PyPDF2提取了文本。

所有段落均以数字和句点开头（1. 42. 76.等）。它适用于大多数使用以下代码的段落，但并不总是考虑句点。例如，数字18的匹配输出为：“ 18（06 /”。这不应该被接受，因为它后面没有一段句号。有什么建议吗？

寻找职位的代码：

i = 1
all_positions = []
found = "found"

while found == "found":
    matches = []
    matches_positions =[]
    standard_length = 0
    substring = str(i) + "."
    matches = re.finditer(substring, text, re.IGNORECASE)
    matches_positions = [match.start() for match in matches]
    standard_length = len(matches_positions)
    if standard_length > 0:
        all_positions.append(matches_positions[0])
        i += 1
    else:
        found = "not found"

打印输出代码：

for i in range(0,len(all_positions)):
     print('---')
     print(text[all_positions[i]:all_positions[i+1]])

Answer 1

您可以使用下面的正则表达式来达到目的：

^\d+\. ?(.*)

上述正则表达式的解释：

^ -表示给定测试字符串的开始。

\d+ -一次或多次匹配数字[0-9]。

\. -从字面上匹配点。

? -表示零或一个空格字符。

(.*) -代表捕获组，它贪婪地捕获段落文本。

您可以找到正则表达式演示here.

在PYTHON中的实现：

import re
pattern = re.compile(r"^\d+\. ?(.*)", re.MULTILINE)
match = pattern.findall("1. Hellow World\n"
    "23. This is loremIpsum text\n"
    "9001. Some random textbcjsbcskcbksck sbcksbcksckscsk\n"
    "90 (89. Some other") 
print (match)
# Output - ['Hellow World', 'This is loremIpsum text', 'Some random textbcjsbcskcbksck sbcksbcksckscsk']

您可以找到上述代码here.

的实现

Python：使用正则表达式和while循环拆分PDF中的段落

1 个答案: