python - PyPDF2坚持要删除所有空格

This question already has answers here:

Whitespace gone from PDF extraction, and strange word interpretation

(7个答案)


3年前关闭。




我已经阅读了许多其他stackoverflow答案，但尚未找到令人满意的答案，但是之前已经有人问过。当我尝试使用PyPDF2读取pdf文档时，它会将句子中的所有单词合并为一个连续的字符串。任何人在弄清楚如何避免这种情况方面都取得了进展。下面是代码

 import PyPDF2
 import pandas as pd

 import  struct as struct

 from nltk import word_tokenize

 pdfFileObj = open("notes.pdf", 'rb')

  pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

 ## reading pages fine
 print(type(pdfReader.numPages))

## read in the pages
pageObj = pdfReader.getPage(0)

 print(pageObj.extractText())

以下是输出示例

2)Explanationofthedifferencebetweenprobabilityandstatistics.Theroleofprobability
instatisticaldecisionmaking.ExamplesoftheuseofProbabilityinStatistics.
3)Datasummarization(graphicalandnumerical)

4)Probabilityandrandomvariables

最佳答案

从来没有想过如何删除空格，这是一个非常笨拙的程序。我发现使用pdfMiner的答案是最有用的。这很容易理解，并且存在更好的文档。以下是与我自己有相同问题的任何人的链接。

http://survivalengineer.blogspot.ie/2014/04/parsing-pdfs-in-python.html

关于python - PyPDF2坚持要删除所有空格，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/36914276/