将已解析的 pdf 中的句子连接在一起

Question

我从 pdf 中抓取了一些文本，我已经解析了文本，目前所有内容都作为列表中的字符串。我想将由于 pdf 页面上的中断而作为单独的字符串返回的句子连接在一起。例如，

list = ['I am a ', 'sentence.', 'Please join me toge-', 'ther. Thanks for your help.']

我想要：

list = ['I am a sentence.', 'Please join me together. Thanks for your help.']

我目前有以下代码，它连接了一些句子，但连接到第一个的第二个子句仍然返回。我知道这是由于索引引起的，但不确定如何解决该问题。

new = []

def cleanlist(dictlist):
    for i in range(len(dictlist)):

    if i>0:

        if dictlist[i-1][-1:] != ('.') or dictlist[i-1][-1:] != ('. '):
            new.append(dictlist[i-1]+dictlist[i])

        elif dictlist[i-1][-1:] == '-':
            new.append(dictlist[i-1]+dictlist[i])

        else:
            new.append[dict_list[i]]

Answer 1

您可以使用生成器方法：

def cleanlist(dictlist):
    current = []
    for line in dictlist:
        if line.endswith("-"):
            current.append(line[:-1])
        elif line.endswith(" "):
            current.append(line)
        else:
            current.append(line)
            yield "".join(current)
            current = []

这样使用：

dictlist = ['I am a ', 'sentence.', 'Please join me toge-', 'ther. Thanks for your help.']
print(list(cleanlist(dictlist)))
# ['I am a sentence.', 'Please join me together. Thanks for your help.']

将已解析的 pdf 中的句子连接在一起

Join together sentences from parsed pdf

python

indexing

join

pdf-parsing