利用Tabula从PDF中提取表
利用Tabula从PDF中提取表
提问于 2017-03-01 17:32:27
我偶然发现了一个叫做Tabula的大图书馆，它差一点就成功了。不幸的是，在第一页上有很多无用的区域，我不想让Tabula提取。根据文档，您可以指定要从中提取的页面区域。然而，无用的区域只是在我的PDF文件的第一页，因此，对于所有后续的页面，Tabula将错过顶部部分。是否有方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')回答 4
Stack Overflow用户
发布于 2017-05-21 16:10:35
我正在尝试做一些类似的事情(解析银行对账单)，并且有同样的问题。到目前为止，我发现解决这个问题的唯一方法是分别解析每个页面。
唯一的问题是，这需要事先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来完成这个任务，所以我决定使用pyPdf模块来获取页面数。
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))注意，在单独阅读每个页面或同时阅读所有页面时，都有一些已知和公开的问题。
祝好运!
2017年3月8日编辑：
找到了一种无需通过pyPDf就可以计算pdf页面的更简单的方法
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()))当然，file_path是文件的路径
Stack Overflow用户
发布于 2019-03-16 21:14:34
使用下面的代码！这可能对你有帮助！
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+1Stack Overflow用户
发布于 2019-12-23 16:29:53
parameter'guess=False'将解决这个问题。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/42538292
复制相关文章
相似问题
腾讯云开发者
