如何使用tabula-py将PDF转换为CSV？

Question

在Python 3中，我有一个PDF文件“ Ativos_Fevereiro_2018_servidores_rj.pdf”，具有6,041页。我在使用Ubuntu的计算机上

在每个页面的顶部，两行都是文本。在表格下方，带有标题和两列。每个表36行，最后一页较少

在每页末尾，表格之后，还有一行文字

我想从此PDF创建CSV，只考虑页面中的表格。并忽略表格前后的文字

最初，我测试了表格。但是它生成一个空文件：

from tabula import convert_into

convert_into("Ativos_Fevereiro_2018_servidores_rj.pdf", "test_s.csv", output_format="csv")

拜托，有人知道这种方法可以使用tabula-py吗？

还是将这种文件类型的PDF转换为CSV的另一种方法？

Answer 1

好的，我发现了问题：您必须设置spreadsheet=True并保持utf-8编码：

df = tabula.read_pdf("Ativos_Fevereiro_2018_servidores_rj.pdf", encoding='utf-8', spreadsheet=True, pages='1-6041')

在下面的图片中，我仅在首页进行了测试（因为您的文件很大）：

之后可以将DataFrame保存为csv：

df.to_csv('otuput.csv', encoding='utf-8')

编辑：

好的，该错误可能是Java内存问题。为了使其更快，我添加了该pages选项。而且还存在编码问题，因此encoding='utf-8'添加到了csv导出中。如果您仍然遇到Java错误，请尝试将其解析为大块，例如pages='1-300'。我刚完成了所有6041（在一台64GB的RAM机器上），效果很好。