使用 Tabula 从 PDF 中提取表格

Question

我遇到了一个名为 Tabula 的很棒的图书馆，它几乎成功了。不幸的是，第一页上有很多无用的区域，我不希望 Tabula 提取这些区域。根据文档，您可以指定要从中提取的页面区域。但是，无用区域仅位于 PDF 文件的第一页，因此，对于所有后续页面，Tabula 将错过顶部部分。有没有办法指定区域条件仅适用于 PDF 的第一页？

from tabula import read_pdf

df = read_pdf(r"C:\Users\riley\Desktop\Bank Statements\50340.pdf", area=(530,12.75,790.5,561), pages='all')

Answer 1

我正在尝试做类似的事情（解析银行对账单）并且遇到了同样的问题。到目前为止，我发现解决这个问题的唯一方法是单独解析每个页面。

唯一的问题是，这需要提前知道您的文件由多少页组成。目前我还没有找到如何直接使用 Tabula 执行此操作，因此我决定使用 pyPdf 模块来获取页数。

import pyPdf
from tabula import read_pdf

reader = pyPdf.PdfFileReader(open("C:\Users\riley\Desktop\Bank Statements\50340.pdf", mode='rb' ))
n = reader.getNumPages() 

df = []
for page in [str(i+1) for i in range(n)]:
    if page == "1":
            df.append(read_pdf(r"C:\Users\riley\Desktop\Bank Statements\50340.pdf", area=(530,12.75,790.5,561), pages=page))
    else:
            df.append(read_pdf(r"C:\Users\riley\Desktop\Bank Statements\50340.pdf", pages=page))

请注意，单独或同时阅读每一页时，存在一些已知的和未解决的问题。

祝你好运！

2017 年 8 月 3 日编辑：

找到了一种更简单的方法来计算 pdf 的页数，而无需通过 pyPDf

import re
def count_pdf_pages(file_path):
    rxcountpages = re.compile(r"/Type\s*/Page([^s]|$)", re.MULTILINE|re.DOTALL)
    with open(file_path, "rb") as temp_file:
        return len(rxcountpages.findall(temp_file.read()))

其中 file_path 当然是你的文件的路径