Sql 将文档节拆分为列表以导出Python

我对Python非常陌生，我正在尝试将一些法律文档分成几个部分，以便导出到SQL中。我需要做两件事：

通过目录定义章节编号，以及

根据定义的章节编号，拆分文档

目录列出了章节编号：1.1、1.2、1.3等

然后，文档本身被这些节号分解： 1.1“……文本……”， 1.2“……文本……”， 1.3“…文本…”等

类似于一本书的章节，但以升序小数分隔

我已经使用Tika解析了文档，并且我已经能够使用一些基本正则表达式创建一个节列表：

import tika
import re

from tika import parser
parsed = parser.from_file('test.pdf')
content = (parsed["content"])

headers = re.findall("[0-9]*[.][0-9]",content)

现在我需要这样做：

splitsections = content.split() by headers

var_string = ', '.join('?' * len(splitsections))
query_string = 'INSERT INTO table VALUES (%s);' % var_string
cursor.execute(query_string, splitsections)

对不起，如果这一切都不清楚。这还是很新鲜的

如果您能提供任何帮助，我们将不胜感激

“test.pdf”将是这样的文档：

---

目录在第一页到第三页（这是你得到章节号的地方）。然后，我想拆分的文本从第20页开始（第2.1节）

除了最后一个带DB的部件外，所有部件都经过了测试。代码也可以改进，但这是另一项任务。主要任务完成了

在列表

split_content

中有您想要的所有信息（即2.1和2.2之间的文本，然后是2.2和2.3之间的文本，依此类推，不包括节本身的num+名称（即不包括

2.1 Continuation

，

2.2 name

等等）

我将

tika

替换为

PyPDF2

，因为

tika

没有提供此任务所需的工具（即，我没有找到如何提供我需要的页面数量并获取其内容）

如何使用：（可能的方法之一）：

1） 将上述代码保存在

my\u pdf\u code.py

2） 在python shell中：

import path.to.my_pdf_code as the_code
the_code.get_pdf_content('/home/username/Apollo_Investment_Fund_VIII_LPA_S1.pdf', 2, 4, 24, '[Signature Page Follows]')

---

非常感谢您的回复！我在上面的文档中添加了一个链接，表示“test.pdf”的外观。标题将在第一至第三页（2.1、2.2等）的目录中定义。然后，要分解的内容从第20页开始（第2.1节）。@junkbond916。是否要在节号之间获取文本片段？据我所知，您希望从第20页开始，以获得第2.1节和第2.2节之间的文本，然后是第2.2节和第2.3节之间的文本，依此类推。那么每一篇文章\每一章都是一样的。。。（根据第11.16节）。我说得对吗？如果是这样，那就不是一件容易的事情：）正如我从你的

re

中看到的，你只得到了节号，但是在这种情况下，没有节名的节号是无用的。需要考虑如何解决它。嗨，泰坦-你搞定了。这正是我想要做的。是的，我上面的代码只生成一个数字列表。最好使用整个章节名称（即“2.1续篇”）来打破文件。这真是个谜。再次感谢您的关注。我真的很感激。@junkbond916，我为你写了一段代码。对于未来-下次请尽可能多做，因为当有人需要做作者的工作时，

stackoverflow

不欢迎这样的事情。不要忘记接受答案（在我的答案前面的两个向上/向下箭头下有一个灰色复选标记）。非常感谢-感谢您的帮助和建议。

import path.to.my_pdf_code as the_code
the_code.get_pdf_content('/home/username/Apollo_Investment_Fund_VIII_LPA_S1.pdf', 2, 4, 24, '[Signature Page Follows]')