PDF加粗内容重复读取解决方案

文章目录

前言

在使用pdfplumber读取PDF的过程中,由于加黑的内容会被莫名其妙的读取两次,带来了很大的困扰。这篇文章将给出解决方案。

发现问题

在在使用pdfplumber读取PDF的过程中,读取普通内容是完全没有问题的。但是该公司早期PDF并未完全规范的过程中,有些标题加粗了,而有些却没有。加粗的标题将会被读取两次,比如好好的123456,加粗后将会被读取为112233445566。这可不太好。

解决方案

问题分析

首先我们需要明白,加粗的内容只会被连续读取,而不会被随机读取,这一点使得字符串具备了一定的规律。所以循环或者递归都是可行的,只是我们需要记住递归的最大深度为1000。

其次我们需要明确,不是所有的连续内容都应该被删除。比如111被读成了111111,那可不能删的只剩下1,这就又和PDF上想要传达的内容不一致了。所以正则表达式也是不能乱用的。

大致逻辑

既然有这些要求,我们就好办了。

我们考虑极端场景:111111。我们就直接先数一数连续重复有几个,然后保留一半就好了。

然后再考虑一般场景:111111222222333333。在处理过程中,实际上也就是相当于把字符串拆成了3份,每份利用极端场景111111的做法去做。

show my code

知道该怎么办了就直接干吧。

虽然我们现在是针对加粗被重复读取的问题,字符串中的每一种字符一定是双数出现,所以简单一点的话就可以这么做:

python 复制代码
def drop_duplicates(arr):
  result, i = [], 0
  while i < len(arr):
    count = 1
    # 计算连续相同元素的数量
    while i + count < len(arr) and arr[i] == arr[i + count]:
      count += 1
    # 保留一半
    result.extend([arr[i]] * count // 2)
    i += count  # 处理下一段
  return ''.join(result)

当然,考虑到并不一定具备跟现在一样完全理想的场景,所以这里也考虑了万一真的有一个数字落单的情况:

python 复制代码
def drop_duplicates(arr):
  result, i = [], 0
  while i < len(arr):
    count = 1
    # 计算连续相同元素的数量
    while i + count < len(arr) and arr[i] == arr[i + count]:
      count += 1
    # 只有一个落单的话,1 // 2 = 0,这就不对了,所以上个保险,最低只能为1
    result.extend([arr[i]] * max(1, count // 2))
    i += count  # 处理下一段
  return ''.join(result)

解决。

相关推荐
鲸渔6 分钟前
【AI Agent系列课程13-Python 基础13】JSON 读写:结构化数据交换基础
开发语言·python·json·ai编程
凌冰_9 小时前
数据结构 - 时间空间复杂度(一)
数据结构·算法·软件工程
科研邪修法9 小时前
PDF新增页面文字与文本批注怎么区分?以双版本培训讲义为例
前端·css·pdf
Pniubi10 小时前
力扣2 . 两数相加
算法·leetcode·职场和发展
戴·菲瑜10 小时前
为什么PPO难以做出顶级棋类引擎
算法·博弈论·rl·ppo
wuyk55510 小时前
Python办公自动化-第01讲-环境搭建与自动化认知
python·自动化·pyqt
高洁0111 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
ComPDFKit11 小时前
RAG 回答只显示 PDF 文件名?用 Python 保留引用页码
开发语言·python·pdf·rag
在所不辞兄12 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
yz_aiks13 小时前
Termux 使用教程:把安卓手机变成随身 Linux(装 Python、SSH 远程、跑自动化脚本)
android·linux·python·智能手机·ssh·termux