Python3如何对PDF提取的字符串按\x0c字符进行分割

问题原因说明 #

1. re.split(r'[\x0c]+', text)本身功能正常，你误认为没有拆分，大概率是没注意到该方法返回的是列表结构，直接打印列表时的观感和原文本移除\x0c后的效果很像，实际内容已经拆分到不同的列表元素中，你可以打印len(返回的列表变量)验证，你给出的示例文本拆分后会得到2个独立片段。
2. splitlines()是按所有Python预设的行分隔符（包括\n、\r、\f等）拆分内容，不是仅按\x0c拆分，不符合你指定仅用换页符作为拆分边界的需求，自然达不到预期效果。

解决方案 #

直接使用Python原生字符串split方法即可满足需求，不需要引入正则：

# 基础版：仅按\x0c拆分
split_parts = text.split('\x0c')

# 优化版：拆分后自动去掉每个片段前后的多余换行、空白，同时过滤空片段
split_parts = [part.strip() for part in text.split('\x0c') if part.strip()]

如果需要兼容连续多个\x0c的场景，可以用正则写法：

import re
split_parts = [part.strip() for part in re.split(r'\x0c+', text) if part.strip()]

内容的提问来源于stack exchange，提问作者Perry