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。
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@)