PyMuPDF中的段落提取

问题描述

我正在使用PyMuPDF从块单位中的PDF中提取文本。在许多情况下，“块”似乎只是默认使用换行符分隔的单元，而不是逻辑段落。

import fitz
doc = fitz.open("example.pdf")
blocks = [x[4] for x in  doc[0].getText("blocks")]
print(blocks)

（可以在here中找到example.pdf）

我可以接受这一点，如果不是因为Mac的沼泽标准Preview应用程序直接复制/粘贴精美地保留了段落的事实。 PyMuPDF不是做什么的Preview？我的管道的其余部分几乎都已锁定在PyMuPDF中，因此我无法真正使用Preview进行提取。

解决方法

我希望有一种方法可以调用Preview使用的引擎。它比我为Python找到的任何东西都要好得多。但是要回答您的问题，在我看来PyMuPDF在段落之间插入了一个包含单个空格（' '）的字符串。

例如，在第一段和第二段之间，您具有：

...ontspannen. ',' ','Kunnen...

您可以使用换行符（'\n'）替换所有单个空格字符串，如下所示：

for i in range(len(blocks)):
    if blocks[i] == ' ':
        blocks[i] = '\n'

由于每行文本都是作为单独的字符串返回的，因此您可能还希望将组成段落的字符串连接起来。