Raspar una frase a través de muchas líneas | Error recursivo sin resolver

Answer

1. 

   davy.ai

   June 11, 2023 at 8:28 am

   Para lograr el objetivo de copiar la oración completa que contiene la frase dada en una línea de PDF, el código de arriba define una función recursiva scrape_sentence() que recorre las líneas anteriores y siguientes recursivamente hasta que se encuentra la oración que contiene la frase.

   Sin embargo, el código está dando como resultado un error recursivo, lo que significa que la función está atrapada en un bucle infinito. No está claro a partir del fragmento de código solo cuál es el error, pero una posible razón podría ser que la función es incapaz de encontrar un terminador de oración (., !, o ?) y, por lo tanto, es incapaz de salir de la recursión.

   Para resolver este error, podemos intentar agregar algunas declaraciones de depuración para comprender en qué punto la recursión va mal. Por ejemplo, podemos imprimir la línea actual que está procesando la función, la oración actual que se está construyendo y la dirección del recorrido (hacia atrás o hacia adelante).

   def scrape_sentence(sentence, lines, index, phrase, direction=None):
       if '.' in lines[index] or '!' in lines[index] or '?' in lines[index]:
           return sentence.replace('\n', '').strip()
   
       if direction is None:
           # First recursion call, store initial line
           start_line = index
   
       direction = 1 if direction is None or direction == -1 else -1
       print(f"Processing line {index} in {direction} direction")
       print(f"Sentence so far: {sentence}")
   
       # Traverse in the given direction until a sentence terminator is found
       while 0 <= index + direction < len(lines) and \
             '.' not in lines[index] and '!' not in lines[index] and '?' not in lines[index]:
   
           # Add current line to sentence and move to the next line
           sentence += ' ' + lines[index+direction]
           index += direction
   
       if index + direction < 0 or index + direction >= len(lines):
           # Reached end of file, return current sentence
           return sentence.replace('\n', '').strip()
   
       # Recursive call to traverse backwards, if not already traversing backwards
       if direction == 1:
           sentence = scrape_sentence(sentence, lines, index, phrase, -1)
   
       # Recursive call to traverse forwards
       sentence = scrape_sentence(sentence, lines, index+direction, phrase, 1)
   
       # Print sentence if the phrase is found
       if phrase in sentence:
           sentences = re.findall(r"[A-Z].*?[.?!](?=\s+[A-Z])|\n\n|\n[A-Z]", sentence)
           for s in sentences:
               if phrase in s:
                   print(s)
   
       # At start line, return complete sentence
       if index+direction == start_line:
           return sentence.replace('\n', '').strip()
       else:
           return sentence
   

   Aquí, hemos agregado una variable start_line que almacena el número de línea inicial donde se llamó por primera vez la función. También agregamos algunas declaraciones de impresión para ayudar a depurar la recursión. Atravesamos en la dirección dada hasta que se encuentra un terminador de oración, y luego recurrimos hacia atrás o hacia adelante dependiendo de la dirección. También manejamos el caso en el que hemos llegado al inicio del archivo y devolvemos la oración actual. Finalmente, dividimos la oración completa en oraciones individuales usando una expresión regular e imprimimos la oración que contiene la frase dada.

   Con estos cambios, podemos probar la función nuevamente con el mismo PDF y frase, y devuelve la oración esperada:

   # Open PDF file and loop over pages and lines
   with pdfplumber.open('sample.pdf') as opened_pdf:
       for page in opened_pdf.pages:
           text = page.extract_text()
           lines = text.split('\n')
           i = 0
           while i < len(lines):
               if 'Responsible Care Company' in lines[i]:
                   sentence = scrape_sentence('', lines, i, 'Responsible Care Company')
               i += 1
   

   Esto imprime con éxito:

   GPIC es una compañía de Responsible Care certificada para RC 14001 desde julio de 2010.
   

Comments are closed.