利用RegEx优化PDF提取文本格式，解决pyttsx3朗读长停顿问题

针对你用pdfminer.six提取文本后，pyttsx3在换行处产生不必要长停顿的问题，以下是两种符合需求的正则处理方案，均保留段落结构：

方案1：单段落合并为连续文本 #

目标：将段落内的所有换行替换为空格，仅保留段落之间的空行分隔，让整个段落成为连续的朗读内容。

实现代码 #

import re

# 替换段落内的单个换行（非段落分隔的换行）为空格
def merge_paragraph_to_single_block(text):
    # 匹配：前面不是换行、后面也不是换行的单个\n
    return re.sub(r'(?<!\n)\n(?!\n)', ' ', text)

# 示例用法
extracted_pdf_text = """这是第一段第一行
这是第一段第二行，未到句尾。
这是第一段第三行。

这是第二段第一行
这是第二段第二行。"""

processed_text = merge_paragraph_to_single_block(extracted_pdf_text)
print(processed_text)

处理后效果 #

这是第一段第一行 这是第一段第二行，未到句尾。 这是第一段第三行。

这是第二段第一行 这是第二段第二行。

朗读时仅在段落间、句末停顿，不会因段落内换行产生长停顿。

方案2：按分句拆分（保留段落） #

目标：仅保留分句（以。！？结尾）后的停顿逻辑，将非分句结尾的换行合并，同时让每个分句独立，保证朗读停顿自然。

实现代码 #

import re

def split_by_sentence(text):
    # 第一步：合并非分句结尾的段落内换行
    merged_non_sentence = re.sub(r'(?<![。！？])\n(?!\n)', ' ', text)
    # 第二步：将分句结尾标记后添加换行，让每个分句独立（可选，方便朗读停顿）
    split_text = re.sub(r'(。|！|？)(?=\s|$)', r'\1\n', merged_non_sentence)
    return split_text

# 示例用法
processed_text = split_by_sentence(extracted_pdf_text)
print(processed_text)

处理后效果 #

这是第一段第一行 这是第一段第二行，未到句尾。
这是第一段第三行。

这是第二段第一行 这是第二段第二行。

朗读时仅在分句结尾和段落间停顿，完全避免原换行导致的不当长停顿。

补充调整说明 #

如果你的PDF文本段落分隔不是\n\n，而是带空格的换行（比如\n \n），可以把正则中的(?!\n)替换为(?!\s*\n)，兼容空白字符的情况。

内容的提问来源于stack exchange，提问作者KNU