之間的空間目前，如果我有pyPdf PDF頁面的頁面對象，extractText（），什麼情況是，線路連接在一起。例如，如果頁面的第一行說「你好」和第2行說：「世界」所產生的文本從extractText（）返回的是的「HelloWorld」，而不是「世界你好」。有誰知道如何解決這個問題，或者有解決方法的建議？我真正需要的文字有空格在字裏行間，因爲我對這個PDF文本做文本挖掘，而不是具有殺死它線之間的空間....Python和pyPdf - 如何從網頁中提取文本，以便有行
這是PDF解析常見的問題。您還可以預計在某些情況下您必須修復的尾部破折號。我想出了一個解決方案，我將在這裏簡要介紹一個項目：
我使用pdfminer從PDF中提取XML，並在XML中找到連接的單詞。我提取相同的PDF爲HTML和HTML可以通過下面的正則表達式的行來描述：
<span style="position:absolute; writing-mode:lr-tb; left:[0-9]+px; top:([0-9]+)px; font-size:[0-9]+px;">([^<]*)</span>
的跨徑是絕對定位，有一個頂級的風格，你可以用它來確定是否斷線發生。如果換行發生了，在最後一行的最後一個字沒有尾隨破折號，你可以在最後一行和當前行的第一個單詞的最後一個字分開。細節可能會非常棘手，但您可能可以修復幾乎所有的文本解析錯誤。
此外，您可能希望在您的文本上運行像enchant這樣的字典庫，查找錯誤，並且如果字典建議的修正類似錯誤字，但在某處存在空格，則錯誤字可能是解析錯誤並可以用字典建議來修復。
解析PDF糟透了，如果你找到更好的源代碼，請使用它。
你可能想看看這個SO頁面：http://stackoverflow.com/questions/25665/python-module-for-converting-pdf-to-text有幾個很好的建議！ – avelldiroll 2009-11-04 11:24:36