python - 如何使用 tabula-py 将 PDF 转换为 CSV？

Question

在 Python 3 中，我有一个包含 6,041 页的 PDF 文件“Ativos_Fevereiro_2018_servidores_rj.pdf”。我在一台装有 Ubuntu 的机器上

在每一页的顶部都有文本，两行。在一个表格下方，带有标题和两列。每张表36行，最后一页少

在每一页的最后，表格之后，还有一行文字

我想从这个 PDF 创建一个 CSV，只考虑页面中的表格。并忽略表格前后的文字

最初我测试了 tabula-py。但它会生成一个空文件：

from tabula import convert_into

convert_into("Ativos_Fevereiro_2018_servidores_rj.pdf", "test_s.csv", output_format="csv")

请问，有没有人知道另一种使用 tabula-py 来满足这种需求的方法？

或者以这种文件类型将 PDF 转换为 CSV 的另一种方法？

Answer 1

好的，我发现了问题：您必须设置spreadsheet=True并保持 utf-8 编码：

df = tabula.read_pdf("Ativos_Fevereiro_2018_servidores_rj.pdf", encoding='utf-8', spreadsheet=True, pages='1-6041')

在下图中，我仅使用第一页对其进行了测试（因为您的文件很大）：

之后您可以将 DataFrame 保存为 csv：

df.to_csv('otuput.csv', encoding='utf-8')

编辑：

好的，错误可能是 java 内存问题。为了让它更快，我添加了该pages选项。还有一个编码问题，所以encoding='utf-8'添加到 csv 导出中。如果您一直遇到 java 错误，请尝试分块解析它，例如pages='1-300'. 我刚刚完成了所有 6041（在 64GB RAM 机器上），它运行良好。

Answer 2

使用 tabula-py 将 PDF 转换为 CSV

from tabula import convert_into
table_file = r"ActualPathtoPDF"
output_csv = r"DestinationDirectory/file.csv"
df = convert_into(table_file, output_csv, output_format='csv', lattice=True, stream=False, pages="all")