如何使用tabula-py将PDF转换为CSV？

Question

在Python3中，我有一个有6,041页的PDF文件"Ativos_Fevereiro_2018_servidores_rj.pdf“。我和Ubuntu在一台机器上

每一页的顶部都有两行文本。下面是一张表，有标题和两列。每张表36行，最后一页少一些

在每一页的末尾，在表格之后还有一行文本

我想从这个PDF创建一个CSV，只考虑页面中的表格。并忽略表格前后的文本

最初，我测试了tabula-py。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，有没有人知道针对这种类型的需求使用tabula-py的另一种方法？

或另一种方法来转换PDF到CSV在此文件类型？

Answer 1

好了，我发现了问题:你必须设置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，我只测试了第一页(因为你的文件很大)：

​

​

之后，您可以将DataFrame另存为csv：

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

编辑：

好吧，这个错误可能是java内存问题。为了让它更快，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。如果你一直遇到java错误，试着分块解析它，例如pages='1-300'。我刚刚完成了所有的6041 (在64 it的RAM机器上)，它工作得很好。

Answer 2

使用tabula-py将转换为CSV

from tabula import convert_into
table_file = r"ActualPathtoPDF"
output_csv = r"DestinationDirectory/file.csv"
df = convert_into(table_file, output_csv, output_format='csv', lattice=True, stream=False, pages="all")