我有一个pdf格式的邮件参考列表。邮件列表有一个非常通用的格式,即作者姓名后接书名。
考虑以下示例:
美国阅读列表
民主理论
•达尔,民主理论序言
•熊彼特、资本主义、社会主义和民主(仅导言和第四部分)
•自由民主的男子汉、生活和时代
•达尔,民主及其批评者
现在,我尝试使用pdf miner解析pdf并创建一个列表,其中第一个索引是作者姓名,第二个索引是书的名称,如下所示:
【达尔,民主理论序言】
我尝试使用分割功能,因为作者名后面有一个逗号和一个空格。但是我没有得到正确的结果。
有人能帮忙吗?在def extract():
string = convert_pdf_to_txt("/Users/../../names.pdf")
lines = list(filter(bool, string.split('\n')))
for i in lines:
check.extend(i.split(','))
x=remove_numbers(check)
remove_blank= [x for x in x if x]
combine_two = [remove_blank[x:x + 2] for x in xrange(0,len(remove_blank), 2)]
print combine_two