我正在阅读PDF文件,并在定界符('。')的基础上拆分了全文,但该PDF也包含这样的作者姓名;
类似于Valenzuela等人的工作。 [1]和Zhu等。 [2],我们使用从引文到被引论文的引文,每节的引文和作者重叠等功能。
我的代码将这一行分成3行
- 类似于Valenzuela等人的工作
- [1]和Zhu等
- [2],我们使用从引文到引用论文的引文等功能, 每节的引文和作者重叠
这是我读取pdf文本并将其拆分的代码;
from tika import parser
import re
rege x = re.compile(r'\[\d]')
objFile = parser.from_file('read.pdf')
text = objFile['content']
lstString = text.strip()
lstString = lstString.split(".")
有人可以帮助我如何避免作者姓名分裂?