1

我正在编写一个脚本，该脚本从 pdf 文件中提取文本并将其作为字符串插入到单个 csv 行中。使用pdfplumbr我可以成功提取文本，将每个页面的文本作为单独的行插入到 csv 中。但是，我正在努力弄清楚如何将这些行组合成一个单元格。我正在尝试将 Pandaspd.concat功能结合起来，但到目前为止还没有成功。

这是我的代码：

import pdfplumber
import pandas as pd
import csv

file1 = open("pdf_texts.csv", "w", newline="")
file2 = open("pdf_text_pgs.csv", "w", newline="")
writer2 = csv.writer(file2)
headers = ['text']

with pdfplumber.open('target.pdf') as pdf:
    pdf_length = len(pdf.pages)

    writer2.writerow(headers)

    for page_number in range(0, pdf_length):
        pdf_output = pdf.pages[page_number]
        pdf_txt = pdf_output.extract_text().encode('UTF-8')
        writer2.writerow([pdf_txt])

    # this is my attempt for pd.concat
    df  = pd.read_csv("pdf_text_pgs.csv", 'r')
    df_txts = df['text']
    pdf_txt_df = pd.concat([df_txts], axis=0, ignore_index=True)
    pdf_txt_df.to_csv('pdf_texts.csv', header=False, index=False)

但是，最终输出无法合并行，更糟糕的是似乎丢失了最后一行。关于如何解决这个问题的任何建议？感谢所有帮助。

4

1 回答 1

1

您只需将每个页面的文本存储在一个列表中，并在最后将它们组合起来。例如：

import pdfplumber
import csv

with pdfplumber.open('target.pdf') as pdf, \
     open("pdf_text_pgs.csv", "w", newline="", encoding="utf-8") as f_output:

    csv_output = csv.writer(f_output)
    csv_output.writerow(['text'])

    text = []
    
    for page in pdf.pages:
        extracted_text = page.extract_text()
        
        if extracted_text:  # skip empty pages or pages with images
            text.append(extracted_text)
        
    csv_output.writerow([' '.join(text)])
于 2021-11-10T15:54:03.857 回答