使用表格区域参数提取1000的PDF表

问题描述

我大约有970个具有相同格式的pdf文件，我想从这些pdf文件中提取表格。经过一些研究后，我能够使用tabula-area参数提取表格，不幸的是，每个pdf的区域参数都不相同，因此我无法进行迭代。 因此，如果有人可以帮助我自动为每个pdf查找该区域参数，那将是很大的帮助。

正如您在图像中看到的那样，

我必须使用area，否则标题中的垃圾也会被解析。这是我能够成功执行第一个pdf的脚本，但是我需要从970files中提取，这是无法手动执行的。 PLS。帮助！

@author: Jiku-tlenova
"""
import numpy as np
import matplotlib as plt
import pandas as pd
import os
import re
import PyPDF2 as rdpdf
import tabula
path = "/codes/python/"
os.chdir(path)
from convert_pdf_to_txt import convert_pdf_to_txt
os.getcwd()
pa="s/"
os.chdir(path+pa)

files= os.listdir(".")
ar=[187.65,66.35,606.7,723.11]

tablist=[]

for file in files:
    i=0
    pgnum=2;endval=0
    weind=re.findall("\d+",file)
    print(file)
    reader = rdpdf.PdfFileReader(file)
    while endval==0:
        table0 =tabula.read_pdf(file,pages = i+2,spreadsheet=True,multiple_tables = False,lattice=True,area=ar) #pandas_options={'header': 'infer'}
        table0=table0.dropna(how="all",axis=1)
       
#foramtiing headers
        head=(table0.iloc[0,:]+table0.iloc[1,:]).T
        table0.columns=head
        table0=table0.drop([0,1])
        table0=table0.iloc[:-1] #delete last row - not needed
        mys=table0[table0.columns[-1]]
        val=mys.isnull().all()
  
        if val==True:
            endval=1 
        tablist.append(table0)
        i=i+1```

解决方法

最终我自己就能做到。...基本上是从R中获取代码并使用了包装器....似乎R支持社区在堆栈中比python社区更活跃.....谢谢