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
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
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。