预期行为:
阅读PDF,将所有表格数据提取到pandas df中。
实际行为:
可以很好地读取 PDF,提取大部分表格数据并将其保存到带有fp.write(df)
. 当我查看debugging.txt 或观看终端打印时,一列(名称)通常只返回'...'。
这就像 9/10 次返回...... - 有时只是第一页,但其余的都很好。有时他们都没事……这看起来很奇怪。
(我可能是个白痴,它可能会缩短它,因为它是迄今为止最长的字符串 2-3 倍。但我的 Google Fu 让我失望了)
示例输入(保护隐私的名称):
样本输出:
21 121 87 59 2003 ... NaN NaN NaN
22 122 86 59 2026 ... NaN NaN NaN
23 123 85 60 2038 ... NaN NaN NaN
24 124 84 60 2050 ... NaN NaN NaN
25 125 83 61 2056 ... NaN NaN NaN
26 126 82 61 2095 ... NaN NaN NaN
代码:
pagecount = 0
for filename in os.listdir(SPLITDIR):
print("Working on: {}".format(filename))
if not filename.endswith(".pdf"):
print("I dont think {} is a PDF".format(filename))
continue
pagedf = read_pdf(SPLITPATH.format(pagecount) pages='all')
#print(pagedf)
debugextract.write(str(pagedf))
pagedf = pd.DataFrame(pagedf)
print(pagedf)
pagecount += 1