如何从没有页眉或页脚的pdf文件中提取引文？

问题描述

我需要从多个 PDF 文件（超过 400 个文件）中提取所有引文，并且我能够使用正则表达式提取所有引文并且它有效，只是在某些情况下存在问题，其中一半在页的结尾，另一半在另一页的开头。在这种情况下，页面的页脚被包含在内，我想要一种方法来提取没有页脚的引文。

以下是其中一个文件中的示例：

黄色部分是我想要提取的。 黄色+绿色部分是我得到的

使用的正则表达式：

(\([A-Z][^\s0-9]+(\d{4}|[;,]|and|al|[A-Z][^\s0-9]+|\.|\s|-\n[a-z]+)+\d{4}[a-z]?\))

和

([A-Z][^\s0-9,;]+(and|al|[A-Z][^\s0-9]+|\.|\s|-\n[a-z]+)+\(\d{4}[a-z]?\))

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）