我刚刚发现了 tabula-py（当然还有 tabula-java）从 pdf 中提取表格的乐趣。我现在正在为我的工作编写一个脚本，它从 pdf 表中读取一些数据，稍微清理一下，然后将其导出到 excel 中。我用的pdf每天都是一样的格式，表格总是在某个区域。为了检测区域，我使用 tabula.exe：我选择表格，可视化预览（看起来不错），然后导出脚本，以便查看 tabula.exe 使用的 -a 参数。然后我在我的 Python 命令中使用它，即：
df = tabula.read_pdf(os.fsdecode(directory)+filename, encoding = 'ISO-8859-1',
stream=True, area = "81.106,302.475,384.697,552.491", pages = 2, pandas_options={'header':None})
我使用编码参数是因为标准 utf-8 返回错误，而流方法是因为它在 tabula.exe 中显示了一个很好的提取表。但是，数据框有一个问题，因为前 2 列（在 tabula.exe 的预览中正确显示为 2 个不同的列）实际上是一个单列，因此名称和值混合在一起。
你知道为什么同样的区域在 tabula-py 和 tabula.exe 中会产生 2 个不同的结果吗？非常感谢！
我有一些代码目前看起来像这样：
if os.path.isfile('D:\\df_1'):
df_1 = pd.read_pickle('D:\\df_1')
else:
df_1 = pd.DataFrame(columns = ['Date', 'Location', 'Product'])
if os.path.isfile('D:\\df_2'):
df_2 = pd.read_pickle('D:\\df_2')
else:
df_2 = pd.DataFrame(columns = ['Date', 'Location', 'Product'])
[...]
if os.path.isfile('D:\\df_20'):
df_20 = pd.read_pickle('D:\\df_20')
else:
df_20 = pd.DataFrame(columns = ['Date', 'Location', 'Product'])
基本上我正在做的是检查数据框是否已经存在，如果确实加载它，否则创建一个空数据框。我需要这个，因为代码将尝试将新数据附加到每个数据帧。所以我会有类似的东西：
[retrieve new data and clean it]
df_1 = pd.concat([df_1, df_1_new_data])
对我拥有的所有 20 个数据帧执行此操作（它们包含不同的内容，因此我想将它们分开），然后保存它们以便在第二天再次检索它们并向它们添加新数据：
df_1.to_pickle('D:\\df_1')
df_2.to_pickle('D:\\df_2')
[...]
df_20.to_pickle('D:\\df_20')
现在，使用 20 个数据帧已经相当繁重，但我可能需要添加更多数据帧！有没有办法读取不同的数据帧，然后将它们写入 for 循环中的 pickle 或类似的东西？那么，为了减少我现在的代码行数，将其减少为简单的 2 行 for 循环吗？谢谢你！