PDF提取中的空白和奇怪的单词解释

Question

使用下面的代码片段，我试图从thisPDF文件中提取文本数据。

import pyPdf

def get_text(path):
    # Load PDF into pyPDF
    pdf = pyPdf.PdfFileReader(file(path, "rb"))
    # Iterate pages
    content = ""
    for i in range(0, pdf.getNumPages()):
        content += pdf.getPage(i).extractText() + "\n"  # Extract text from page and add to content
    # Collapse whitespace
    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content

然而，output I obtain在大多数单词之间没有空格。这使得对文本执行自然语言处理变得困难（这里是我的最终目标）。

此外，“手指”一词中的“fi”一直被解释为其他东西。这是相当有问题的，因为这篇论文是关于手指的自发运动。。。

有人知道为什么会这样吗？我都不知道从哪里开始！

Answer 1

PDF文件没有可打印的空格字符，它只是将单词放置在需要的位置。您需要做额外的工作来计算空格，可能是假设多个字符的运行是单词，并在它们之间放置空格。

如果您可以在PDF阅读器中选择文本，并使空格正确显示，那么至少您知道有足够的信息来重建文本。

“fi”是一个排版连字，显示为单个字符。你可能会发现这也发生在“fl”、“ffi”和“ffl”上。您可以使用字符串替换用“fi”替换fi连字。