python - 在python中使用tabulizer循环遍历pdf文件

Question

我很难让一段代码正常工作。我想循环遍历文件夹中的 pdf 文件，提取 tabula 包认为表格的内容，将它们提取到数据帧，然后将特定 pdf 中的所有表格写入一个 csv 文件。

我查看了this post (以及其他几个)但我仍然无法使其正常工作。脚本似乎循环遍历文件，提取一些表，但它似乎没有迭代文件，而且我无法让它将所有数据帧写入 csv 文件。该脚本仅写入 csv 中的最后一个。

这就是我到目前为止所拥有的。任何帮助将不胜感激，特别是如何正确循环文件以及如何将一份 pdf 中的所有表格写入一个 csv 文件。我被困住了...

pdf_folder = 'C:\\PDF extract\\pdf\\'
csv_folder = 'C:\\PDF extract\\csv\\'  

    paths = [pdf_folder + fn for fn in os.listdir(pdf_folder) if fn.endswith('.pdf')]
    for path in paths:
        listdf = tabula.read_pdf(path, encoding = 'latin1', pages = 'all', nospreadsheet = True,multiple_tables=True)
        path = path.replace('pdf', 'csv')
        for df in listdf: (df.to_csv(path, index = False))  

Answer 1

就像@Scott Hunter提到的那样，您没有使用CSV_folder

此外，我认为您正在覆盖创建的 .csv 文件:

对于 listdf 中的 df:(df.to_csv(path, index = False))

对于 for 循环的每次迭代，路径变量保持不变。

编辑:你可能应该尝试做这样的事情:

pdf_folder = 'C:\\PDF extract\\pdf\\'
paths = [pdf_folder + fn for fn in os.listdir(pdf_folder) if fn.endswith('.pdf')]

for path in paths:
    listdf = tabula.read_pdf(path, encoding = 'latin1', pages = 'all', nospreadsheet = True,multiple_tables=True)
    path = path.replace('pdf', 'csv')
    df_concat = pd.concat(listdf)
    df_concat.to_csv(path, index = False)