Python 如何在没有意外换行的情况下从PDF转换为TXT？

我正在尝试使用python将一个非常干净的PDF文件转换为txt文件。我尝试过使用pyPDF2和PDFMiner，它们在文本识别中都非常有效

但是，在PDF中，行被包装，提取的.txt文件在结尾有意外的换行：例如第1行：“是长者/n天的帐户，”。“长者”和“日子”之间不应该有分界

PDF文件：

使用Acrobat编辑时，可以清楚地看到PDF中的原始文本不包含硬换行符，并且可以作为段落而不是单行进行编辑。

我尝试过的代码（根据此处的答案改编：）

“一张图片胜过千言万语”，评论不允许图片！ 我使用的是不同副本的Web存档，但要点完全相同

您使用的是“对齐”内容，但与字处理器中的回流对齐不同，字形通常与从页面底部设置的设置位置的一行相关联。Adobe正在开发可回流PDF，并拥有在一个段落中组合行的专业技能，但是其他读者将接受

每一行是什么<代码>

没有段落边界标记，就像在HTML中一样

将来，读者可以像acrobat一样进行扩充，以组合台词，但不需要一次（大声）阅读一行。一些音频读取器在“一次一行”返回时会明显结巴，而一些音频读取器被智能地编程为忽略它们

---

简言之，您需要添加自己的AI/regex来收集行和添加缩进，但要注意人类文学的显著差异，如连字号和东方标点。

pdf文件本身就是这样格式化的吗？例如，在第1行中，您可以清楚地看到从“Elder”到“Days”的换行符。@Yes，.pdf文件是以这种方式显示的，因为任何给定的段落都需要在某个地方结束，而不是显示为很长的一行。然而，当我试图在Acrobat上编辑它时，它实际上会返回一个段落，而不是单行。因此，我很确定这条线是被包裹的，而不是断线。你能简单地剥去单线断线，就像你想保留双线断线一样吗？@JonSG　谢谢你的评论。我想保留文档中的其他单行换行符，因此我正在寻找一个通用的解决方案。我也在网上看到了很多关于如何从PDF中提取而不断行的讨论，对于许多人来说这似乎是一个长期存在的问题。所以我认为其他人也会感兴趣。有一些软件支持这个功能，但我想知道它是否可以在python上实现。我想我们最好能做点什么。撇开Python不谈，您如何确定何时保留或放弃换行符？

import io as io
from io import StringIO
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
import os
import sys, getopt

#converts pdf, returns its text content as a string
def convert(fname, pages=None):
    if not pages:
        pagenums = set()
    else:
        pagenums = set(pages)

    output = io.StringIO()
    manager = PDFResourceManager()
    converter = TextConverter(manager, output, laparams=LAParams())
    interpreter = PDFPageInterpreter(manager, converter)

    infile = open(fname, 'rb')
    for page in PDFPage.get_pages(infile, pagenums):
        interpreter.process_page(page)
    infile.close()
    converter.close()
    text = output.getvalue()
    output.close
    return text

path='D:\Folder\File.pdf'
a=convert(path)
f=open("D:\Folder\File.txt",'a',encoding='utf-8')
f.write(a)
f.close()