PDF加粗内容重复读取解决方案

发表于 分类于 阅读次数： 本文字数： 648 阅读时长 ≈ 2 分钟

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，那颗不能删的只剩下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：

1
2
3
4
5
6
7
8
9
10
11
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：

1
2
3
4
5
6
7
8
9
10
11
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。