下载的诸多论文都是双栏排布,这位转化为doc、text等操作时带来了巨大的麻烦,下面小杨介绍一个方法可以有效进行转化。
目录
【1】思路
双栏排布的pdf文章可以首先通过分割的方法将其分割为单栏输出,在使用python提取text,并且去除多余的回车导致的空格。
【2】切割网站
Split PDF pages in the middle using DeftPDF online for free
【3】PDF2TEXT
需要首先安装第三方包 pip install pdfplumber,再运行代码
import pdfplumber
#PDF转Text
with pdfplumber.open("D:\Jupyter\KG_DATA\split\白杨河超大型铀铍矿床构造控矿作用分析.pdf") as p:
for i in range(9):
page = p.pages[i]
textdata = page.extract_text()
# 去除多余回车导致的换行
text_content = textdata.replace("\n", "")
print(text_content)
with open(f'text.txt', 'a', encoding='utf-8') as f:
f.write(text_content)