Python 从PDF转换的成对文本

我在解析从PDF文件转换过来的字符串时遇到了一些麻烦，这是由

pdftotext.exe

使用选项

-table

完成的。如下所示，转换后的文本包含一些空行，但可以轻松地进行修剪。然而，有时，它会将一条线分成多个部分。例如，“苯磺酸单-C10-16-烷基衍生物，钠盐”被处理三行。有没有办法解决或克服这个问题，比如按列扫描文本文件？提前谢谢

伪码 转换文本文件的示例

---

可能不是以一种通用的方式，一种可以在其他用例中轻松使用的方式。在没有看到更多转换后的pdf的情况下，我建议作为第一次尝试，按制表符拆分（如果有用于分隔列的制表符）或按每列的宽度拆分，然后检查“同义词”或“商业机密”是否为空。如果是，请将该行的第一个字段附加到上一行的第一个字段。@OliverW.-谢谢您的建议。此时，我正在使用您的方法，并按固定宽度解析这些字符串。等着看有没有其他想法。

with open(fname) as f:
    content = f.readlines()

#remove empty lines
Chemicals_new=[line for line in content if line.strip()]
Chemicals_new[0].split("  ") ###need some help here...

          Chemical Name                    Synonyms                 Trade Secret               CAS-No       Weight %

          Sodium carbonate                        -                      No                    497-19-8                     25 - 30

Silicic acid, aluminum sodium salt                -                      No                    1344-00-9                    15 - 20

         Benzenesulfonic acid,                    -                      No                    68081-81-2                   10 - 15

mono-C10-16-alkyl derivs., sodium

              salts