python - 我如何提取除 tabula 以外的 pdf 表格

Question

我有一个工作脚本，我们必须在其中使用 tabula 包读取 pdf 表，但是由于 tabula 依赖于 Java 8，并且由于某些内部工具，我们必须使用 java 6 及以下版本，我们如何读取表。

from tabula import read_pdf
df_list = tabula.read_pdf(current_file, pages="all", lattice = True)

Answer 1

如何将 pdf 文档转换为 Excel 电子表格:
选项 1，使用 pdf_tables API:

安装 pdf_tablespip install git+https://github.com/pdftables/python-pdftables-api.git

获取账号 here

安装完所有内容后，您可以运行以下代码:

import pdftables_api

c = pdftables_api.Client('my-api-key')
c.xlsx('input.pdf', 'output') 
#replace c.xlsx with c.csv to convert to CSV 
#replace c.xlsx with c.xml to convert to XML
#replace c.xlsx with c.html to convert to HTML
#This is documentation code for your information

不要忘记将 my-api-key 替换为您的 api key ，将 input.pdf 替换为您的 pdf 的路径，并将输出到您要将输出 excel 文档保存到的目录的路径。
选项 2，使用 textract 读取 pdf，然后使用 xlwt 写入电子表格:

使用 pip install textract 安装textract

使用 pip install xlwt 安装 xlwt

安装依赖项后，您可以运行以下代码:

import textract
import xlwt
from xlwt import Workbook

wb = Workbook()

text = textract.process("path/to/file.extension") #You'll have to change this to your path to the file

我不知道您的 pdf 是如何组织的，但您必须弄清楚如何从那里写入 excel 文档。 (您可以使用 sheet1.write(1, 0, 'Data')，其中 1 和 0 是您在电子表格上的坐标。
我个人认为您应该使用 pdf_tables API 而不是手动进行转换。