将 PDF 转换为 XLS

Question

我想将 PDF 文件转换为 CSV 或 XLS。 我尝试通过使用 python tabula 来做到这一点：

#!/bin/bash
#!/usr/bin/env python3
import tabula

# Read pdf into list of DataFrame
df = tabula.read_pdf("File1.pdf", pages='all')

# convert PDF into CSV file
tabula.convert_into("File1.pdf", "File1.csv", output_format="csv", pages='all')

# convert all PDFs in a directory
#tabula.convert_into_by_batch("input_directory", output_format='csv', pages='all')

虽然python脚本将PDF转换为CSV，但十进制不正确。

例如 1.25 仅显示为 1.2。

所以我想将小数位增加到两位，以便在转换后的 CSV 文件中得到正确的数字。

有人可以帮我吗？

谢谢。

Answer 1

根据需要，我们需要调整tabula 上的参数，以便数据导入有意义。我在 cmets 中建议的参数只是一个示例。要获得从 x 轴开始的列，我们需要使用 acrobat 的付费版本或使用一些轨迹。

所以代码会是这样的

导入和设置

import tabula
import pandas as pd
pdf_file='file1.pdf'
column_names=['Product','Batch No','Machin No','Time','Date','Drum/Bag No','Tare Wt.kg','Gross Wt.kg',
              'Net Wt.kg','Blender','Remarks','Operator']
df_results=[] # store results in a list

由于页面格式不同，我们需要分别处理。还有一些清理，比如删除不需要的列或特定值后的数据（参见第 2 页处理）

# Page 1 processing
try:
    df1 = tabula.read_pdf(pdf_file, pages=1,area=(95,20, 800, 840),columns=[93,180,220,252,310,315,333,367,
                                                                          410,450,480,520]
                         ,pandas_options={'header': None}) #(top,left,bottom,right)
    df1[0]=df1[0].drop(columns=5)
    df1[0].columns=column_names
    df_results.append(df1[0])
    df1[0].head(2)
    
except Exception as e:
    print(f"Exception page not found {e}")

# Page 2 processing
try:
    df2 = tabula.read_pdf(pdf_file, pages=3,area=(10,20, 800, 840),columns=[93,180,220,252,310,315,330,370,
                                                                          410,450,480,520]
                         ,pandas_options={'header': None}) #(top,left,bottom,right)

    row_with_Sta = df2[0][df2[0][0] == 'Sta'].index.tolist()[0]
    df2[0] = df2[0].iloc[:row_with_Sta]
    df2[0]=df2[0].drop(columns=5)
    df2[0].columns=column_names
    df_results.append(df2[0])
    df2[0].head(2)
except Exception as e:
    print(f"Exception page not found {e}")

#result = pd.concat([df1[0],df2[0]]) # concate both the pages and then write to CSV
result = pd.concat(df_results) # concate list of pages and then write to CSV
result.to_csv("result.csv")

请测试代码，因为我只有一定程度的验证 :)