[Python 3.X] Comment réorganiser un fichier pdf (converti en txt) en paragraphe?

Je travaille sur un projet de sous-titrage et pour mon jeu de données je dois extraire les images et leur légende du fichier pdfs.

J'utilise pdftotext pour extraire le texte des pdfs mais maintenant je dois réorganiser ces fichiers texte en paragraphes conformément aux pdfs.

J'utilise ce code mais je ne suis pas satisfait car la structure du texte de sortie n'est pas exactement ce que je veux.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
 
import re
import os
from os import listdir
 
text_directory = 'Texte'
 
for name in listdir(text_directory):
    filename = text_directory + '/' + name
    #open the text file
    with open(filename,encoding="utf8") as file:
        data = file.read()
        # Split text by 2 line break to have a kind of bloc
        paragraphs = [item for item in data.split('\n\n') if item]
        rawParagraphs = []
        for paragraph in paragraphs:
            newParagraph = []
            # Split the bloc by line break 
            lines = paragraph.split('\n')
            for line in lines: 
                # Split lines by 2 white spaces to have kind of colones
                cols = [item for item in line.split('  ') if item]
                newParagraph.append(cols)
            # Find max cols of pg
            maxcol = max([len(line) for line in newParagraph])
            # Patch lines
            for index, line in enumerate(newParagraph):
                if len(line)< maxcol:
                    if lines[index].startswith(' '):
                        for i in range(maxcol-len(line)):
                            line.insert(0, '')
                    else:
                        for i in range(maxcol-len(line)):
                            line.append('')
                newParagraph[index]= line
            rawParagraph = []
            # Join line to have paragraph per colones
            for i in range(maxcol):
                for j in range(len(newParagraph)):
                    rawParagraph.append(newParagraph[j][i])
            rawParagraph = ' '.join(rawParagraph).replace('- ','')
            rawParagraphs.append(rawParagraph)
            # Create a text file to write the new paragraph
            textcle = open("Text_org" + "/" + name ,"w",encoding="utf8")
            # Get new paragraph
            references = [paragraph for paragraph in rawParagraphs if paragraph]
            # Write the paragraph in the texte file
            for index, reference in enumerate(references):
                text = f"{index} {reference}\n\n"
                textcle.write(text)
            textcle.close

Par exemple j'ai ce fichier 13.txt et reorganisé en .txt

Quelqu'un peut-il m'aider à le perfectionner? Ou existe-t-il une autre façon de le faire facilement?