如何用表格py将PDF转换成CSV？

Question

在Python3中，我有一个PDF文件“Ativos_Fevereiro_2018_servidores_rj.PDF”，共6041页。我和Ubuntu在一起

每一页的顶部都有两行文字。在一张桌子下面，有标题和两列。每表36行，最后一页少

在每一页的末尾，在桌子后面，还有一行文字

我想从这个PDF创建一个CSV，只考虑页面中的表。忽略桌子前后的文字

最初我测试了表格。但它会生成一个空文件：

from tabula import convert_into

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

请问，有没有人知道使用表格py来满足这种需求的另一种方法？

或者以另一种方式将此文件类型中的PDF转换为CSV？

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，我用第一页测试了它（因为你的文件很大）：

之后您可以将数据帧保存为csv：

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

编辑：

好的，错误可能是java内存问题。为了加快速度，我添加了pages选项。还有一个编码问题，所以encoding='utf-8'添加到csv导出中。 如果继续遇到java错误，请尝试将其分块解析，例如pages='1-300'。我刚刚完成了所有6041（在一台64GB内存的机器上），它工作得很好。