python拆分字符串而不切割单词

Question

我发现了一些类似的问题，但没有来自 python。

上下文：

我有许多 pdf 文件（文本），其中有一个表格和其他文本。表的位置和大小因文件而异。我已经尝试过不同的库，但到目前为止 pdftotext 是最好的。例如，tabula 不起作用。

到目前为止的解决方案：

我使用 pdftotext 将所有信息提取为一个大字符串，找到始终分隔表格的子字符串并将表格保存在变量中

不幸的是，我无法写出表格的全部内容，但前两行：

D  Staph. aureus  Ps. aeruginosa E. coli ATCC Ser.             Asp.           Cand. albicans

a  ATCC 6538,     ATCC 9027, Ps. 8739, Ent.     marcescens     brasiliensis   ATCC 10231,

由于 pdftotext 在每行的末尾放置一个“\n”，我可以将表格拆分为每一行

我的目标是将此字符串分成子字符串作为列，如下所示：

['Staph. aureus', 'Ps. aeruginosa', 'E. coli ATCC', 'Ser.', 'Asp.', 'Cand. albicans']

还有这个：

['ATCC 6538,     ', 'ATCC 9027, Ps. ', '8739, Ent.     ', 'marcescens     ', 'brasiliensis   ', 'ATCC 10231,']

例如，第二行以每 15 个字符分隔

我意识到一列的最大长度是 15 个字符，所以我尝试像这样拆分它，n = 15：

print([line[i: (i + n)] for i in range(0, len(line), n)])

但这就是我得到的：

['Staph. aureus  ', 'Ps. aeruginosa ', 'E. coli ATCC Se', 'r.             ', 'Asp.           ', 'Cand. albicans']

这里的问题是如何在不切割单词的情况下切割子字符串中的字符串？我已经意识到，如果我在位置 line[i + n] 上剪切，则位置 line[i+n-1] 必须等于 " " 才能不剪切一个单词。

Answer 1

数据似乎以制表符分隔，但制表符替换为空格。我能发现的唯一模式是列值之间的多个空格。如果是这种情况，如果有双空格（例如作者的拼写错误），您的代码就会中断。使用最大列宽是有风险的。如果列具有短值（例如“一”、“二”），它会中断。