2

我很难让一段代码工作。我想遍历文件夹中的 pdf 文件，提取 tabula 包认为的表格是什么，将它们提取到数据框中，然后将特定 pdf 中的所有表格写入一个 csv 文件。

我查看了这篇文章（以及其他几篇文章），但仍然无法使其正常工作。似乎脚本循环遍历文件，提取一些表，但它似乎没有遍历文件，我无法让它将所有数据帧写入 csv 文件。该脚本只是在 csv 中写入最后一个。

这就是我到目前为止所拥有的。任何帮助将不胜感激，特别是如何正确循环文件并将所有表格从一个 pdf 写入一个 csv 文件。我很困...

pdf_folder = 'C:\\PDF extract\\pdf\\'
csv_folder = 'C:\\PDF extract\\csv\\'  

    paths = [pdf_folder + fn for fn in os.listdir(pdf_folder) if fn.endswith('.pdf')]
    for path in paths:
        listdf = tabula.read_pdf(path, encoding = 'latin1', pages = 'all', nospreadsheet = True,multiple_tables=True)
        path = path.replace('pdf', 'csv')
        for df in listdf: (df.to_csv(path, index = False))
4

1 回答 1

1

就像@Scott Hunter 提到的那样，您没有使用CSV_folder

另外，我认为您正在覆盖创建的 .csv 文件：

for df in listdf: (df.to_csv(path, index = False))

对于 for 循环的每次迭代，路径变量保持不变。

编辑： 你可能应该尝试做这样的事情：

pdf_folder = 'C:\\PDF extract\\pdf\\'
paths = [pdf_folder + fn for fn in os.listdir(pdf_folder) if fn.endswith('.pdf')]

for path in paths:
    listdf = tabula.read_pdf(path, encoding = 'latin1', pages = 'all', nospreadsheet = True,multiple_tables=True)
    path = path.replace('pdf', 'csv')
    df_concat = pd.concat(listdf)
    df_concat.to_csv(path, index = False)
于 2017-06-09T18:33:02.200 回答