问题描述
我正在使用 for 循环来处理整个 pdf 文件夹,这些文件夹被转换为 csv 文件。
import tabula
import os
import pandas as pd
files_in_directory = os.listdir()
filtered_files = [file for file in files_in_directory if file.endswith(".pdf")]
print(range(len(filtered_files)))
for file in range(len(filtered_files)):
print(file-1)
print(range(len(filtered_files)))
print(file)
print(filtered_files[file-1])
df = tabula.read_pdf(filtered_files[file-1])
csv_name = filtered_files[file-1] + '.csv'
df[file-1].to_csv(csv_name,encoding='utf-8')
这是我的日志:
Traceback (most recent call last):
File "/Users/braydenyates/Documents/Band PDFS/csv_converter.py",line 16,in <module>
df[file-1].to_csv(csv_name,encoding='utf-8')
IndexError: list index out of range
该代码似乎运行了文件夹中 63 个文件中的两个,然后由于此错误而结束。 感谢您的帮助!
解决方法
您拥有的 PDF 文件数量不一定等于 tabula 设法从其中一个 PDF 中提取的数据帧数量。 file
表示第 N 个文件,而 df
实际上是数据帧列表。因此,df[file-1]
的使用并不是很明智。循环遍历数据帧并单独或按任何目的将它们相同。
在这里,有一个更pythonic和更简单的解决方案:
import tabula
import os
import pandas as pd
files_in_directory = os.listdir()
filtered_files = [file for file in files_in_directory if file.endswith(".pdf")]
for file in filtered_files:
dfs = tabula.read_pdf(file)
for nth_frame,df in enumerate(dfs,start=1):
csv_name = f'{file}_{nth_frame}.csv'
df.to_csv(csv_name,encoding='utf-8')