Arquivo Discussoes de Programacao e Tecnologia Bom dia pessoal,
// text recebe todo o texto do meu .pdf
String text = strip.getText(pdf);
// daí eu queria dividir text em paragrafos para depois efetuar a escrita no arquivo
String[] paragraphs = text.split("\n");
fazendo desta forma ele ta quebrando linha por linha
alguem sabe como separar um texto em paragrafos? abço
Como está a estrutura do texto, o que é um “parágrafo” no contexto desta estrutura?
por exemplo:
Uma das dificuldades do design emergente repousa na localização de padrões idiomáticos e de outros elementos de design ocultos no código. As métricas e visualizações são úteis para identificar partes importantes do código e permitem que você as extraia como elementos de design de primeira classe. As duas métricas em que me concentrarei neste artigo são complexidade ciclomática e acoplamento aferente. A complexidade ciclomática é a medida da complexidade relativa de um método em relação a outro. O acoplamento aferente representa a contagem de quantas classes diferentes usam a classe atual. Você conhecerá algumas ferramentas para visualização e compreensão das métricas, e verá como a combinação delas revela as características do design.
Depois de ter esses números em mãos, o que eles significam, principalmente em termos de design? Os números gerados como métrica fornecem uma dimensão única das informações sobre o seu código, no entanto, os números em si, frequentemente, não significam grande coisa. É possível gerar informações úteis a partir das métricas de dois modos. Um deles, é examinar como determinado valor se altera no decorrer do tempo e nas principais tendências. O outro é combinar métricas para enriquecer a densidade das informações (essa é a abordagem que mostrarei mais tarde neste artigo).
Tenho esse texto ae dentro de um .pdf
a ideia era ter
paragraphs[0] = "Uma das dificuldades do design emergente repousa na localização de padrões idiomáticos e de outros elementos de design ocultos no código. As métricas e visualizações são úteis para identificar partes importantes do código e permitem que você as extraia como elementos de design de primeira classe. As duas métricas em que me concentrarei neste artigo são complexidade ciclomática e acoplamento aferente. A complexidade ciclomática é a medida da complexidade relativa de um método em relação a outro. O acoplamento aferente representa a contagem de quantas classes diferentes usam a classe atual. Você conhecerá algumas ferramentas para visualização e compreensão das métricas, e verá como a combinação delas revela as características do design."
paragraphs[1] = "Depois de ter esses números em mãos, o que eles significam, principalmente em termos de design? Os números gerados como métrica fornecem uma dimensão única das informações sobre o seu código, no entanto, os números em si, frequentemente, não significam grande coisa. É possível gerar informações úteis a partir das métricas de dois modos. Um deles, é examinar como determinado valor se altera no decorrer do tempo e nas principais tendências. O outro é combinar métricas para enriquecer a densidade das informações (essa é a abordagem que mostrarei mais tarde neste artigo)."
como text recebe o texto todo, gostaria que “subdividir” esse texto em paragrafos, mas não conheço uma Regex que faça isso, ou talvez tenha um jeito mais facil, fazendo simplesmente com .split("\n"); ele ta quebrando todas as linhas, acredito que durante a lleitura do .pdf ele acrescenta “\n” em cada linha.
O q precisamos saber é o conteúdo exato da variável text.
Como não tem conteúdo, vou assumir o seguinte texto como exemplo:
text="paragrafo1linha1\nparagrafo1linha2\n\nparagrafo2linha1"
Com isso em mente, consigo fazer o split em parágrafos da seguinte forma:
text.split("(?m)^\\n")
me parece que no momento da leitura do pdf
text="paragrafo1linha1 \n paragrafo1linha2 \n paragrafo2linha1"
como poderia identificar o caracter de escape do paragrafo?
me parece que no momento da leitura do pdftext="paragrafo1linha1 \n paragrafo1linha2 \n paragrafo2linha1"como poderia identificar o caracter de escape do paragrafo?
é… se aparece assim, então… é impossível…
o mesmo padrão d divisão de linhas é o q divide o parágrafo tb… Precisaria ter alguma diferença, mínima q seja p/ se poder mapear por padrão…
isso aí não gera um texto pdf parecido com isso abaixo?
paragrafo1linha1
paragrafo1linha2
paragrafo2linha1
Engraçado, quando ele lê do pdf e manda pra um .txt ele mantem a formatação… mas na hora de ler esse .txt ele pega linha por linha
documento.pdf
paragrafo 1 linha 1 exemplo
paragrafo 1 linha 2 exemplo
paragrafo 1 fim.
passando pro .txt
paragrafo 1 linha 1 exemplo
paragrafo 1 linha 2 exemplo
paragrafo 1 fim.
paragrafo 2 linha 1 exemplo
paragrafo 2 linha 2 exemplo
paragrafo 2 fim.
lendo documento.txt
BufferedReader reader = new BufferedReader(new FileReader(filetxt));
while ((line = reader.readLine()) != null) {
String l = line.replaceAll("%", "");
...
}
ele deveria ler:
l = “paragrafo 1 linha 1 exemplo paragrafo 1 linha 2 exemplo paragrafo 1 fim.”;
l = “paragrafo 2 linha 1 exemplo paragrafo 2 linha 2 exemplo paragrafo 2 fim.”;
Mas ta lendo da seguinte maneira:
l = “paragrafo 1 linha 1 exemplo”;
l = “paragrafo 1 linha 2 exemplo”;
l = “paragrafo 1 fim.”;
l = "paragrafo 2 linha 1 exemplo ";
…
existe uma quebra de linha… mas nao consigo identificar o padrão. existe algum lugar que possa ver os “\n”, “\r” presentes em um txt ??
Abço.
Vc pode passar um pdf de exemplo com o trecho de código que o lê e faz a conversão?