2

我遇到了一个很棒的图书馆，叫做 Tabula，它几乎成功了。不幸的是，第一页上有很多我不想让 Tabula 提取的无用区域。根据文档，您可以指定要从中提取的页面区域。但是，无用区域仅在我的 PDF 文件的第一页上，因此，对于所有后续页面，Tabula 将错过顶部。有没有办法指定区域条件仅适用于 PDF 的第一页？

from tabula import read_pdf

df = read_pdf(r"C:\Users\riley\Desktop\Bank Statements\50340.pdf", area=(530,12.75,790.5,561), pages='all')
4

4 回答 4

2

我正在尝试做类似的事情（解析银行对账单）并且遇到了同样的问题。到目前为止，我发现解决此问题的唯一方法是单独解析每个页面。

唯一的问题是，这需要提前知道您的文件由多少页组成。目前我还没有找到如何直接使用 Tabula 执行此操作，因此我决定使用 pyPdf 模块来获取页数。

import pyPdf
from tabula import read_pdf

reader = pyPdf.PdfFileReader(open("C:\Users\riley\Desktop\Bank Statements\50340.pdf", mode='rb' ))
n = reader.getNumPages() 

df = []
for page in [str(i+1) for i in range(n)]:
    if page == "1":
            df.append(read_pdf(r"C:\Users\riley\Desktop\Bank Statements\50340.pdf", area=(530,12.75,790.5,561), pages=page))
    else:
            df.append(read_pdf(r"C:\Users\riley\Desktop\Bank Statements\50340.pdf", pages=page))

请注意，在单独阅读每个页面或同时阅读所有页面时，存在一些已知和未解决的问题。

祝你好运！

2017 年 8 月 3 日 编辑：

找到了一种更简单的方法来计算 pdf 的页数，而无需通过 pyPDf

import re
def count_pdf_pages(file_path):
    rxcountpages = re.compile(r"/Type\s*/Page([^s]|$)", re.MULTILINE|re.DOTALL)
    with open(file_path, "rb") as temp_file:
        return len(rxcountpages.findall(temp_file.read()))

其中 file_path 是你的文件的路径当然

于 2017-05-21T16:10:35.567 回答
2

使用下面的代码！可能对你有帮助！！！

import os
os.path.abspath("E:/Documents/myPy/")
from tabula import wrapper
tables = wrapper.read_pdf("MyPDF.pdf",multiple_tables=True,pages='all')

i=1
for table in tables:
    table.to_excel('output'+str(i)+'.xlsx',index=False)
    print(i)
    i=i+1
于 2019-03-16T21:14:34.883 回答
1

parameter'guess=False'将解决问题。

于 2019-12-23T16:29:53.077 回答
0

使用 Tabula 从 PDF 中提取表格

pip install tabula-py
pip install tabulate
#reads table from pdf file
df = read_pdf("abc.pdf", pages=[2:]) #address of pdf file
print(tabulate(df))

参数：

pages (str, int, list of int, optional) 一个可选值，指定要从中提取的页面。它允许 str, int, :int 的列表。默认值：1

例子

'1-2,3', '全部', [1,2]

因为第一页没用，丢掉第一页，读到最后一页

于 2021-11-24T17:23:02.833 回答