Python 将PDF文件拆分为段落

我有一个关于pdf文件拆分的问题。基本上，我有一个pdf文件的集合，我想根据段落来拆分这些文件。因此，pdf文件的每个段落都是一个独立的文件。如果您能帮助我，我将不胜感激，最好是用Python，但如果不可能，任何语言都可以

您可以使用pdftotext对于上述内容，将其包装在python子流程中。或者，您可以使用其他一些已经隐式执行此操作的库，如textract。下面是一个简单的例子，注意：我使用了4个空格作为分隔符将文本转换为段落列表，您可能需要使用不同的技术

import re
import textract
#read the content of pdf as text
text = textract.process('file_name.pdf')
#use four space as paragraph delimiter to convert the text into list of paragraphs.
print re.split('\s{4,}',text)

---

您计划使用python从PDF中提取文本的哪些内容？pdf2text也可以使用。我目前正在编写一个程序，该程序使用子进程调用来使用pdftotext解析PDF。它非常有用：@Radan我想计算段落之间的相似性。所有的pdf文件都由多个段落组成，我想看看这些段落之间有多相似。但首先我需要将pdf文件拆分为段落。直接转换为文本会丢失很多信息，转换有很多参数，具体取决于您使用的软件包。但是如果你选择访问PDF结构，我发现pymupdf是一个很好的选择，这里有一篇文章解释了如何在提取过程中使用该结构获取更多信息：