如何从 PDF 文件中的表中提取多个 pandas 数据帧并将它们存储为 Python 中的 CSV？答案

【问题标题】：How to extract multiple pandas dataframes from tables in PDF file and store them as CSVs in Python?如何从 PDF 文件中的表中提取多个 pandas 数据帧并将它们存储为 Python 中的 CSV？
【发布时间】：2022-01-13 19:49:58
【问题描述】：

我有一个食谱 PDF 文件，其中包含各种表格，这些表格描述了我正在使用的一个数据集中使用的变量。由于实际数据包含我需要查找的值，因此我需要从本食谱中的所有表中创建多个 CSV 输出文件。

例如，在这个 PDF 文件的第 15 页，我们有一个如下表，我需要从中提取 pandas 数据框，以便我可以将其保存为 CSV 文件以供以后使用。我不关心这些表中的“总计”，因为我只需要 value 和 label 字段。

我尝试通过在 Python 中使用 camelot 库来解决这个问题 -

import camelot
# try extracting table from 1 of the pages
tables = camelot.read_pdf('/Users/Downloads/TEDS-A-2018-DS0001-info-codebook_v1.pdf', pages = '12')

# check data
>>> type(tables)
<class 'camelot.core.TableList'>
>>> len(tables)
0

我不确定为什么在输出中没有得到任何表格。非常感谢任何帮助。

更新 - 我也尝试了 tabula 库，但是我只得到奇数行而不是表中的偶数行。这是我的试用代码 -


pdf_loc = 'csvs/TEDS-A-2018-DS0001-info-codebook_v1.pdf'
list_of_dataframs = tb.read_pdf(input_path=pdf_loc, pages='all')

number_of_dfs = len(list_of_dataframs)

print('first df in list')
list_of_dataframs[0]

这是输出 -

可以在here找到PDF说明书

【问题讨论】：

不是一个答案，但如果这个包没有按预期工作，另一个值得尝试的 PDF 提取包是tabula。将 PDF 表读入 DataFrame。 Linked here.
@S3DEV - 是否有可能有一个基于我的食谱的工作示例并解析出 1 页？
谢谢，非常感谢。我还注意到tabula 库，但我无法解析整个表。我只从特定页面上的表中获取奇数行。
使用制表符，在阅读pdf时尝试添加lattice=True。以前这对我有用。

标签： python pandas dataframe pdf

【解决方案1】：

可以通过尝试一些参数来使用 Tabula。

根据您的情况，我已经看到表格的结构在整个 PDF 中都是相似的，因此我们可以使用 Tabula 的列参数来定义我们自己的列结构。如果我们不描述这个参数，tabula 会尝试自己猜测列结构，是的，它有时无法识别正确的表结构。

tables = tabula.read_pdf(filename, area = (0,0,800,800), pages=15, columns = (95, 410, 490), pandas_options={'header': None})

使用该参数后，我得到以下 PDF 第 15 页的输出：

我们可以将它用于所有页面，当然我们也可以进行预处理以删除不必要的行，从而获得完美的表格数据。我很乐意帮助您进一步计算这对您有用。

【讨论】：