怎么识别pdf的段落？

Question

需求：将已提取的pdf文本内容按段落分，比如每页有三个段落，每个段落放进一个变量。
遇到的问题：用pdfplumber的extract_text提取出pdf文本内容后，发现行和段落都是以“/n”结尾，无法区分哪些是段落结尾。

pdf原文：

代码：

import pdfplumber
path = 'Merriam Webster’s Vocabulary Builder.pdf' #要提取的pdf
pdfFileObj = pdfplumber.open(path)
page = 15 #要提取的页码
pageObj = pdfFileObj.pages[page-1]
pageObj.extract_text()

输出结果：

Answer 1

pdf 还原是一个很难的问题。因为里面一般没有段落的概念，只有每个文字及其坐标。

这个问题，一般方法是解析出来每个文字及其坐标，相邻的文字聚成word，word聚成行，根据规则将行聚合为段落: 规则包括行是否有缩进，行结尾是否到底，最后一个字符是不是句号、问号等规则。

还有一个方法是 OCR，现在百度、阿里等提供的 OCR 一般带有简单的段落聚合功能。直接送进去就出来结果了。