使用Python正确解析PDF段落

我正在创建一个Python脚本，它应该从系统中加载一组PDF文件，进行一些数据分析并输出结果。数据分析的本质是，我必须逐段解析PDF，对于每个段落，我必须迭代每个短语，检查是否满足某些条件

我目前正在使用Tika进行解析。这就是我评价段落的方式

这就是我目前正在做的，我正在加载内容，然后，用一个唯一的字符串替换出现的一个或多个换行符。用空格替换每个常规换行符，用双换行符替换唯一字符串。我这样做是为了更清楚哪一条新行划出一段。然后我继续提取段落并返回没有重复的段落列表（Tika有时会重复内容）

def getpdfcontent（路径）：
pdf\u content=extract\u pdf（路径）
text=re.sub（r“\n{2，}”，pdf_content['content']）
text=text。替换（“\n”和“”）
text=text.replace（“，”\n\n”）
段落=提取段落（text.splitlines（））
返回移除的副本（段落）

这就是我提取段落的方式。我检查当前行是否为空，当前段落是否有内容，并将其附加到列表中

def提取段落（行）：
current=“”
段落=[]
对于行中的行：
如果不是line.strip（）：
如果当前为.strip（）：
段落.附加（当前）
current=“”
持续
当前+=行。带（）
返回段落

我想补充一句，这就是我得到法尔赛的原因！？我也要分手了

def getphrases（文档）：
短语=[]
phr=文件拆分（“.”）
短语扩展（phr）
返回短语

现在我的首要任务是知道我是否可以改进解析？

---

如果没有，我可以做些优化吗？

除非PDF被标记，否则它们中没有段落的概念。充其量你有线条的概念。因此，您对按段落解析PDF的要求通常只能通过使用启发式来实现，因此，不确定，只能以一定的概率实现。嗨！谢谢你的回答：）！这方面的启发法相当复杂。但是，如果您能够处理Java，则可以使用一些库来解构页面内容，并很好地从未标记（或标记）的PDF中按照正确的阅读顺序推断段落、句子和单词。