【Python】PDFからコピーした改行コードだらけのテキストを上手いこと整形する - Qiita

はじめに もともとは前々回、前回の記事 【Python】英文PDF（に限らないけど）をDeepLやGoogle翻訳で自動で翻訳させてテキストファイルにしてしまおう。 続【Python】英文PDF（に限らないけど）をDeepLやGoogle翻訳で自動で翻訳させてテキストファイル、いやHTMLにしてしまおう。 で使用するために書いたものですが、役に立ちそうなので別途紹介する次第です。 PDFからコピーしたテキストの問題点 PDFについての詳しい知識は持ち合わせていないのですが、 PDF内ではテキストが細かいパーツに分割されて書き込んであるようで、コピーしたテキストにもPDFでの表示の通りの位置に改行コードが含まれます。 例えば、PDFで $$ABC.\\DFE.\\GHI.$$ のような表示の場合、コピーしたテキストは、 $$ABC.{\r\n}DEF.{\r\n}GHI.$$ といった具合で

[suemari]

“分割された 注目している文章と次の文章との文字数の差から、本文か見出し文か推測する 次の文章の１文字目が小文字かどうかで判断する”