用gap将pdf中的段落分开的方法？

Question

我有一些pdf和2-3段每页。每一段通道都有一些线段间隔，但是当我用pymupdf阅读时，我看不到通道之间有任何机器可打印的分隔符。有没有其他方法，其他库可以做到这一点？

代码：

import fitz
from more_itertools import *
doc = fitz.open('IT_past.pdf',)
single_doc = doc.load_page(0)  # put here the page number
text=single_doc.get_text('text')
text

页面屏幕截图：在这里输入图像描述

pdf 全pdf

Answer 1

没有这样的空白，只是暂时它更容易，让我们仔细看看你的链接观众渲染:-

​

​

因此，让我们复制真实PDF中的内容(没有web侧html <p>标记)：

support, product design, HR Management, knowledge process outsourcing for
pharmaceutical companies and large complex projects.
Software exports make up 20 % of India's total export revenue in 2003-04, up from 4.9 %
in 1997.This figure is expected to go up to 44% of annual exports by 2010. Though India

看到“没有空白”只是左对齐，非对齐(破烂的)文本，需要一个样式，如字体名称和拉伸位置添加到一个页面中保留行提要或真正的回车。(偶尔也会有一些后置空间或垂直/水平移动，但在行打印机文本中通常没有意义)。甚至“标签”“缩进”和一些空间字符通常在PDF打印输出中被丢弃。

如果您想要空隙或线包，您需要添加它们。

一个很好的替代方法是在这里使用poppler或xpdf -layout将导出到-(控制台)或管道，或者用路径/name.txt替换它，还有许多其他选项，比如-nopgbrk

xpdf-tools-win-4.04\bin32>pdftotext -f 1 -l 1 -layout IT_past.pdf -

​

​