我有一个PDF文档,正在使用Tika-Python解析。我希望将文档分成段落。
我的想法是使用
我还尝试使用
以下是我的当前代码:
我的想法是使用
isspace()
函数将文档分成段落,并创建段落列表。我还尝试使用
\n\n
进行拆分,但无效。以下是我的当前代码:
file_data = (parser.from_file('/Users/graziellademartino/Desktop/UNIBA/Research Project/UK cases/file1.pdf'))
file_data_content = file_data['content']
paragraph = ''
for line in file_data_content:
if line.isspace():
if paragraph:
yield paragraph
paragraph = ''
else:
continue
else:
paragraph += ' ' + line.strip()
yield paragraph
file_data = (parser.from_file(file)) file_data_content = file_data['content'] file_paragraphs = blankline_tokenize(file_data_content)
- Graziella De Martino