我正在研究大量 19 世纪的法国日报，这些报纸已经数字化，数据以原始 OCR 文本文件的形式（每天一个文本文件）。就规模而言，一年的问题大约有 350 000 字长。

我想要实现的是检测构成报纸问题的不同文章。知道一篇文章可能有两行或非常长，没有系统的排版划分，每个文件中都有很多 OCR 错误。我还应该提到，我无法访问其他 OCR 数据，例如 XML 中的文档布局。

我已经尝试过TexTiling算法（nltk 实现），但结果并不是很确定。

在自己深入研究之前，我想知道你们中的一些人是否会对这样的任务有所暗示：训练机器学习模型，尝试其他算法？