python中的pdfplumber的extract_words函数获取文本时，无法区分pdf中的单词，导致多个单词连在一起

在Python中，PDFPlumber是一个用于处理PDF文档的库，它提供了一种简单的方式来提取文本信息。`extract_words()` 函数确实可能无法完美地将PDF中的文字分割成单独的单词，因为PDF中的文本布局和排版可能包含诸如换行符、标点符号缺失或合并等问题。

当你直接使用 `extract_words()` 时，它通常会尽可能多地识别连续的文字块作为单个“单词”。这可能导致一些实际应分开的单词被识别为一个词。例如，如果一个单词后面紧跟着一个连字符（如缩写），或者在一个句子中，两个单词由于版面设计被紧密排列，都可能会被当作一个长词。

解决这个问题的一种方法是先对提取的文本进行预处理，可以尝试以下步骤：
1. 使用`split()` 或者正则表达式（re.split()）分隔出可能的单词。
2. 删除多余的空格和特殊字符。
3. 对于带有连字符的单词，可以考虑是否需要手动解析。

import re

def extract_and_split_words(text):
    # 提取原始文字
    words = text.extract_text().split()
    
    # 使用正则表达式进一步处理
    processed_words = [re.sub(r'\W+', ' ', word).strip() for word in words]
    
    return processed_words

然而，这仍有一定的局限性，因为并非所有的复杂情况都能完美处理。对于更精确的文本处理，可能需要结合其他专门处理PDF文本的库，如PyPDF2或PDFMiner。