Python正则处理PDF文本：精准去除中文间多余空格并保留英文间距

拾光

发布时间：2026-10-12| 4人浏览过

原创

本文详解如何在Python中利用正则表达式处理PDF转文本产生的多余空格问题。通过特定正则模式，可精准去除中文及数字间的冗余空格，同时严格保留英文单词间的正常间隔。提供re.sub与split两种实现方案，并附完整代码示例，帮助开发者优化文本数据观感与后续处理效果。

在将PDF文件转换为文本的过程中，经常会出现大量异常空格，这会影响数据的可读性和美观度。因此，我们需要对文本进行清洗，去除多余的空格，同时必须确保英文单词之间的正常空格得以保留。以下是处理前后的对比示例：

输入文本示例：我今天赚了 10 个亿，老百姓very happy。

处理后输出示例：我今天赚了10个亿，老百姓very happy。

具体实现代码如下：

def clean_space(text):
  """"
  处理多余的空格
  """
  match_regex = re.compile(u'[\u4e00-\u9fa5。\.,，:：《》、\(\)（）]{1} +(?<![a-zA-Z])|\d+ +| +\d+|[a-z A-Z]+')
  should_replace_list = match_regex.findall(text)
  order_replace_list = sorted(should_replace_list,key=lambda i:len(i),reverse=True)
  for i in order_replace_list:
    if i == u' ':
      continue
    new_i = i.strip()
    text = text.replace(i,new_i)
  return text

Python去除英文单词之间多余的空格

使用正则表达式替换连续空格为单个空格：re.sub(" +", " ", s)

import re 

s = "     info has been found (+/- 100 pages, and 4.5 mb of .pdf files) now i have to wait untill our team leader has processed it and learns html.     "
re.sub(" +", " ", s)

或者使用字符串分割与连接方法：' '.join(s.split())

s = "     info has been found (+/- 100 pages, and 4.5 mb of .pdf files) now i have to wait untill our team leader has processed it and learns html.     "

s = ' '.join(s.split())
s

如需了解更多关于Python使用正则表达式去除多余空格的高级技巧，请参阅下方提供的相关链接。