Как реорганизовать PDF-файл в абзац? - PullRequest
Новая
       39

Как реорганизовать PDF-файл в абзац?

0 голосов
/ 01 мая 2020

Я работаю над проектом субтитров и для своего набора данных я должен извлечь изображения и их субтитры из файла PDF.

Я использую pdftotext для извлечения текста из PDF-файлов, но теперь мне нужно преобразовать этот текстовый файл в абзацы в соответствии с PDF-файлами.

Я использую этот код, но я не удовлетворен потому что strcuture выходного текста не совсем то, что я хочу. 

import re
import os
from os import listdir

text_directory = 'Texte'

for name in listdir(text_directory):
    filename = text_directory + '/' + name
    #open the text file
    with open(filename,encoding="utf8") as file:
        data = file.read()
        # Split text by 2 line break to have a kind of bloc
        paragraphs = [item for item in data.split('\n\n') if item]
        rawParagraphs = []
        for paragraph in paragraphs:
            newParagraph = []
            # Split the bloc by line break 
            lines = paragraph.split('\n')
            for line in lines: 
                # Split lines by 2 white spaces to have kind of colones
                cols = [item for item in line.split('  ') if item]
                newParagraph.append(cols)
            # Find max cols of pg
            maxcol = max([len(line) for line in newParagraph])
            # Patch lines
            for index, line in enumerate(newParagraph):
                if len(line)< maxcol:
                    if lines[index].startswith(' '):
                        for i in range(maxcol-len(line)):
                            line.insert(0, '')
                    else:
                        for i in range(maxcol-len(line)):
                            line.append('')
                newParagraph[index]= line
            rawParagraph = []
            # Join line to have paragraph per colones
            for i in range(maxcol):
                for j in range(len(newParagraph)):
                    rawParagraph.append(newParagraph[j][i])
            rawParagraph = ' '.join(rawParagraph).replace('- ','')
            rawParagraphs.append(rawParagraph)
            # Create a text file to write the new paragraph
            textcle = open("Text_org" + "/" + name ,"w",encoding="utf8")
            # Get new paragraph
            references = [paragraph for paragraph in rawParagraphs if paragraph]
            # Write the paragraph in the texte file
            for index, reference in enumerate(references):
                text = f"{index} {reference}\n\n"
                textcle.write(text)
            textcle.close

Может кто-нибудь помочь мне довести его до совершенства? Или есть другой способ легко это сделать?

...