python从列中打开PDF urls并将文本数据加载到新列中
python从列中打开PDF urls并将文本数据加载到新列中
提问于 2018-02-13 03:08:09
我有一个数据框，如下所示，它有500+行，我只显示了一个示例。URL栏包含web上PDF的链接。我想打开每个pdf并将pdf的内容复制到新的列PDF data中。我知道一些PDF文件可能会很长，在某些情况下，该列中的文本数量可能会很大。
例如，在第一行中，我希望将URL 'https://www.occ.gov/static/enforcement-actions/ea2018-001.pdf‘的内容复制到列PDF data中。
对于第二行，PDF data将为空。
在第三行中，PDF data将包含PDF ''https://www.occ.gov/static/enforcement-actions/ea2017-104.pdf'‘的内容。
我偶然发现了这个处理PDFs的URL，但它需要将所有的pdfs下载到一个文件夹中，并且它的输出是一个包含txt文件的文件夹。但我希望将pdf的内容放入一列数据中。此外，我有500+行，我不能一次下载一个pdf。
import pandas as pd
import numpy as np
sales = [{'account': 'credit cards', 'Jan': '150 jones', 'Feb': '200 .jones', 'URL': 'https://www.occ.gov/static/enforcement-actions/ea2018-001.pdf'},
{'account': '1', 'Jan': 'Jones', 'Feb': '210', 'URL': ''},
{'account': '1', 'Jan': '50', 'Feb': '90', 'URL': 'https://www.occ.gov/static/enforcement-actions/ea2017-104.pdf' }]
df = pd.DataFrame(sales)回答 1
Stack Overflow用户
发布于 2018-02-13 03:40:33
我不知道有什么好方法可以在不先下载的情况下从pdf中提取文本，然后发现this answer也有类似的内容。但是，如果使用requests下载文件，则可以使用任意数量的工具来提取文本。例如，PyMuPDF使得将pdf的文本提取为一个长字符串(docs here)变得非常容易。
为了真正将提取的文本添加到dataframe中的新列，您可以这样做：
def pdf_text_extractor(url):
# code to download pdf
# code to extract text from pdf
return pdf_text
df.assign(pdf_text = df['URL'].apply(pdf_text_extractor))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/48753751
复制相关文章
相似问题
腾讯云开发者
