将数据从 PDF 格式转换为 CSV

Question

我正在尝试将在多个可填写的 pdf 表单中输入的数据转换为一个 csv 文件。
这段代码由几个步骤组成：

1. 打开新的 .csv 文件（标题行）
2. 使用“for...in”循环打开多个 pdf 表单
3. 将表单域中输入的数据转换为 csv

但是，在运行命令时我收到错误：

fc-int01-generateAppearances: None
Traceback (most recent call last):
    File "C:\Python27\Scripts\test3.py", line 31, in <module>
        writer.writerow(value)
    _csv.Error: sequence expected

如果我只是在 python 中打印值（表单数据），它可以工作。但导入数据不会。可能还存在从行到列的值的问题。我希望我很清楚。

这是我的代码：

import glob
import os
import sys
import csv
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdftypes import resolve1

#input file path for specific file
#filename = "C:\Python27\Scripts\MH_1.pdf"
#fp = open(filename, 'rb')

#open new csv file
out_file=open('C:\Users\Wonen\Downloads\Test\output.csv', 'w+')
writer = csv.writer(out_file)
#header row
writer.writerow(('Name coordinator', 'Date', 'Address', 'District',
                 'City', 'Complaintnr'))

#enter folder path to open multiple files
path = 'C:\Users\Wonen\Downloads\Test'
for filename in glob.glob(os.path.join(path, '*.pdf')):
    fp = open(filename, 'rb')
    #read pdf's
    parser = PDFParser(fp)
    doc = PDFDocument(parser)
    #doc.initialize()    # <<if password is required
    fields = resolve1(doc.catalog['AcroForm'])['Fields']
    for i in fields:
        field = resolve1(i)
        name, value = field.get('T'), field.get('V')
        print '{0}: {1}'.format(name, value)
        writer.writerow(value)

---

使用print (repr(value))输出带有文本pdf的输出（包括所有输出）：

None
'Crip Gang'
None
None
None
/Ja
None
/1
/1
None
None
/Ja
/Ja
None
None
None
'wfwf'
'sd'
'dfwf'
'ffasf'
'tsdbd'
'dfadfasdf'
None
'df'
None
'asdff'
None
'wff'
None
'ffs'
None
None
None
None
None
None
None
None
None
None
None
'1'
'2'
'7'
/0
'Ja'
'Two unlimited'
'Captain Jack'
None
'www.kijkbijmij.nl'
'Onderverhuur'
/Ja

等等。 “无”代表“空文本框”； “1”和“0”分别代表“是”和“否”输出。

Answer 1

尝试更改代码的最后一部分，如下所示：

    .
    .
    .
#enter folder path to open multiple files
path = 'C:\Users\Wonen\Downloads\Test'
for filename in glob.glob(os.path.join(path, '*.pdf')):
    fp = open(filename, 'rb')
    #read pdf's
    parser = PDFParser(fp)
    doc = PDFDocument(parser)
    #doc.initialize()    # <<if password is required
    fields = resolve1(doc.catalog['AcroForm'])['Fields']
    row = []
    for i in fields:
        field = resolve1(i)
        name, value = field.get('T'), field.get('V')
        row.append(value)
    writer.writerow(row)

out_file.close()

目前尚不清楚这是否有效，但它可能会为您提供解决问题所需的信息。

一个令人困惑的事情是，对于 csv 的第一行：

writer.writerow(('Name coordinator', 'Date', 'Address','District','City', 'Complaintnr'))

它定义了每行写入的字段值的数量。这意味着fields 应该是一个包含这 6 个项目的数据的列表。

您需要弄清楚如何将每组 fields 中的内容转换为包含 6 个数据项的 row 列表。这就是我答案中的代码所做的——我认为，但无法测试。