提取PDF考试试题并写入文件时如何保留换行格式

看起来你在从PDF中提取考试题目时遇到了换行丢失的问题，同时还有提取文本里字母被无意义空格分隔的小麻烦。我来帮你分析下代码里的问题，再给出修正后的方案。

原代码的核心问题 #

1. 题目收集逻辑顺序搞反了：你现在是先把每行内容加到question里，再判断是否遇到题目标记，这会把页面开头到第一个题目标记的无关内容都混进题目里，后续的题目内容也会拼接混乱，换行格式自然就乱了。
2. 字符串初始化冗余：question = """"""""是多余的写法，直接用question = ""初始化空字符串就行，多出来的双引号不仅没用，还可能引发语法隐患。
3. 重复的行拆分操作：你已经用lines = text.splitlines()拆分了文本行，但循环里又重复调用text.splitlines()，完全可以复用已拆分的列表提升效率。

修正后的完整代码 #

import pypdf
import re

reader = pypdf.PdfReader(r'C:\Users\kenco\OneDrive\Desktop\AI Stuff\llms\exam_emulation\papers\example_pdf.pdf')

questions = []

for page in reader.pages:
    text = page.extract_text()
    # 移除非ASCII可打印字符
    text = re.sub(r'[^\x20-\x7E]', '', text)
    # 合并PDF中因排版问题被空格分隔的单个字母（比如Q u e s t i o n → Question）
    text = re.sub(r'(\b\w)\s+(?=\w\b)', r'\1', text)
    lines = text.splitlines()
    
    current_question = []
    in_question = False
    
    for line in lines:
        # 检测题目起始标记（已处理为正常的Question）
        if 'Question' in line:
            # 先保存上一个已经收集好的题目
            if in_question and current_question:
                questions.append('\n'.join(current_question))
                current_question = []
            # 开始收集新的题目
            current_question.append(line)
            in_question = True
        elif in_question:
            # 持续收集当前题目的内容
            current_question.append(line)
    
    # 保存页面最后一个没来得及存入列表的题目
    if in_question and current_question:
        questions.append('\n'.join(current_question))

# 写入文件并严格保留换行格式
with open('extracted_text.txt', 'w', encoding='utf-8') as file:
    for idx, question in enumerate(questions, 1):
        file.write(f"题目 {idx}:\n")
        file.write(question)
        file.write('\n\n')  # 题目之间用空行分隔，可读性更好

关键修改说明 #

1. 重构题目收集逻辑：现在会先检测题目起始标记Question，遇到时先保存上一个题目（如果存在），再开始新题目的收集，确保每个题目内容独立、结构清晰。
2. 修复字母分隔问题：新增的正则替换可以把PDF中因字体/排版问题拆分的单个字母合并成正常单词，比如d u t y会变成duty，解决你输出里无意义空格的问题。
3. 严格保留换行结构：用'\n'.join(current_question)拼接题目内容，完全保留原PDF中的换行；写入文件时指定utf-8编码，避免乱码问题。
4. 优化代码效率：复用拆分后的行列表，避免重复执行相同的拆分操作。

备注：内容来源于stack exchange，提问作者GB Gaming