python拆分字符串而不剪切单词

Question

我发现了一些类似的问题，但没有从python中找到。在

上下文：

我有许多pdf文件（文本），其中有一个表格在其他文本。 表格的位置和大小因文件而异。 我已经尝试过不同的库，但pdftotext是迄今为止最好的。例如tabla就不起作用了。在

目前为止的解决方案：

我使用pdftotext将所有信息提取为一个大字符串，找到始终限定表的子字符串，并将表保存在变量中

不幸的是，我写不出表的全部内容，但是前两行：

D  Staph. aureus  Ps. aeruginosa E. coli ATCC Ser.             Asp.           Cand. albicans
a  ATCC 6538,     ATCC 9027, Ps. 8739, Ent.     marcescens     brasiliensis   ATCC 10231,

由于pdftotext在每行的末尾都放了一个“\n”，所以我可以将表拆分为每一行

我的目标是将这个字符串分成子字符串，就像下面这样的列：

^{pr2}$

还有这个：

['ATCC 6538,     ', 'ATCC 9027, Ps. ', '8739, Ent.     ', 'marcescens     ', 'brasiliensis   ', 'ATCC 10231,']

例如，第二行是以每15个字符分隔的

我意识到一列的最大长度是15个字符，所以我试着像这样拆分它，n=15：

print([line[i: (i + n)] for i in range(0, len(line), n)])

但我得到的是：

['Staph. aureus  ', 'Ps. aeruginosa ', 'E. coli ATCC Se', 'r.             ', 'Asp.           ', 'Cand. albicans']

这里的问题是如何在不剪切单词的情况下将字符串剪切成子字符串？ 我已经意识到，如果我在位置线[I+n]上剪切，位置线[I+n-1]必须等于“”才能不剪切一个单词。在

Answer 1

可以使用str.split()将字符串拆分为单词。如果不提供除数器，它将默认使用空格并返回字符串中的单词。请参阅Python官方文档here。在

Answer 2

这会有帮助吗？在

str = "D  Staph. aureus  Ps. aeruginosa E. coli ATCC Ser.             Asp.           
Cand. albicans"
list = []

for s in str.split():
    if "." in s:
        list.append(s)
    elif list:
        list[-1] = f"{list[-1]} {s}"

print(list)

输出：

^{pr2}$

这将在空白处拆分字符串，然后遍历结果数组并在列表中启动一个新条目（如果单词包含“.”），并将该索引追加到列表中，直到遇到下一个带有“.”的单词。在

我看不到一条规则可以应用于所有行，但通过以下两个示例，我们可以做到：

line1 = "D  Staph. aureus  Ps. aeruginosa E. coli ATCC Ser.             Asp.           Cand. albicans"
line2 = "a  ATCC 6538,     ATCC 9027, Ps. 8739, Ent.     marcescens     brasiliensis   ATCC 10231,"

for line in (line1, line2):
    if line[0] == "D":
        list = []
        for s in line.split():
            if "." in s:
                list.append(s)
            elif list:
                list[-1] = f"{list[-1]} {s}"
        print(list)

    if line[0] == "a":
        count = 0
        list = []
        for s in line2[3:]:
            if count % 15 == 0 or count == 0:
                list.append(s)
                if len(list) > 1: list[-2] = list[-2].rstrip()
            else:
                list[-1] = f"{list[-1]}{s}"
            count += 1
        print(list)

输出：

['Staph. aureus', 'Ps. aeruginosa', 'E. coli ATCC', 'Ser.', 'Asp.', 'Cand. albicans']
['ATCC 6538,', 'ATCC 9027, Ps.', '8739, Ent.', 'marcescens', 'brasiliensis', 'ATCC 10231,']

看起来很可怕，但希望能给你一些建议。：）

Answer 3

数据似乎是用制表符分隔的，但制表符替换为空格。在

我能发现的唯一模式是列之间有多个空格值。如果这种情况下，如果有两个空格（例如作者键入错误），代码就会中断。在

使用最大列宽是有风险的。如果列的值很短（例如“one”、“two”），则会中断。在