如何将PDF法律合同的章节拆分至独立文本文件？

方法一：Python脚本直接提取并拆分（推荐） #

适合结构化清晰的PDF合同，通过正则匹配章节标题实现精准拆分：

1. 安装依赖

pip install PyPDF2

2. 运行以下脚本（根据合同标题格式调整正则）

import PyPDF2
import re

def split_contract_chapters(pdf_path):
    # 读取PDF全量文本
    with open(pdf_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        full_text = ""
        for page in reader.pages:
            full_text += page.extract_text() + "\n"
    
    # 匹配章节标题（示例：匹配“第X章 标题”格式，可按需修改正则）
    chapter_pattern = re.compile(r'(第\d+章\s+.+?)(?=第\d+章|$)', re.DOTALL)
    chapters = chapter_pattern.findall(full_text)
    
    # 生成独立文本文件
    for idx, chapter in enumerate(chapters, 1):
        chapter_clean = chapter.strip()
        # 提取标题作为文件名
        title_match = re.match(r'第\d+章\s+(.+)', chapter_clean.split('\n')[0])
        filename = f"章节{idx}_{title_match.group(1)}.txt" if title_match else f"章节{idx}.txt"
        with open(filename, 'w', encoding='utf-8') as f:
            f.write(chapter_clean)
        print(f"已生成：{filename}")

# 替换为你的PDF路径
split_contract_chapters("法律合同.pdf")

方法二：转HTML后解析拆分（你之前考虑的方案） #

先将PDF转成带格式的HTML，再解析标签拆分：

1. 用pdf2htmlEX转HTML（命令行工具，需提前安装）

pdf2htmlEX --zoom 1.5 法律合同.pdf

2. 用Python的BeautifulSoup解析HTML并拆分

from bs4 import BeautifulSoup

def split_from_html(html_path):
    with open(html_path, 'r', encoding='utf-8') as f:
        soup = BeautifulSoup(f, 'html.parser')
    
    chapters = []
    current_title, current_content = None, []
    # 假设章节标题是h1标签，内容为后续的p/ul/li标签，可根据实际HTML结构调整
    for element in soup.find_all(['h1', 'p', 'ul', 'li']):
        if element.name == 'h1':
            if current_title:
                chapters.append((current_title, '\n'.join(current_content)))
            current_title = element.get_text(strip=True)
            current_content = []
        else:
            if current_title:
                text = element.get_text(strip=True)
                if text:
                    current_content.append(text)
    
    # 处理最后一个章节
    if current_title:
        chapters.append((current_title, '\n'.join(current_content)))
    
    # 写入文件
    for idx, (title, content) in enumerate(chapters, 1):
        filename = f"章节{idx}_{title}.txt"
        with open(filename, 'w', encoding='utf-8') as f:
            f.write(f"{title}\n\n{content}")
        print(f"已生成：{filename}")

# 替换为你的HTML路径
split_from_html("法律合同.html")

注意事项 #

• 正则表达式和HTML标签选择器必须匹配你的合同实际格式，比如标题是“Article X”或“第X条”时，要对应修改规则
• 如果PDF是扫描件（图片格式），需先用Tesseract做OCR识别文本，再用上述方法拆分

内容的提问来源于stack exchange，提问作者Akshat Gupta