用python中的tabulizer循环遍历pdf文件

Question

我很难找到一段代码来工作。我想循环遍历一个文件夹中的pdf文件，提取表格包认为这些表是什么，将它们解压缩到一个dataframe中，并将所有表从一个特定的pdf写入一个csv文件。

我查看了this post (和其他几个)，但是我仍然很难让它正常工作。脚本似乎循环遍历文件，提取一些表，但它似乎不迭代文件，而且我无法让它将所有的数据写入到csv文件中。脚本只是在csv中编写最后一个脚本。

这就是我到目前为止所拥有的。任何帮助，特别是，如何循环正确的文件，并将所有表从一个pdf写入一个csv文件。我被困住了..。

pdf_folder = 'C:\\PDF extract\\pdf\\'
csv_folder = 'C:\\PDF extract\\csv\\'  

    paths = [pdf_folder + fn for fn in os.listdir(pdf_folder) if fn.endswith('.pdf')]
    for path in paths:
        listdf = tabula.read_pdf(path, encoding = 'latin1', pages = 'all', nospreadsheet = True,multiple_tables=True)
        path = path.replace('pdf', 'csv')
        for df in listdf: (df.to_csv(path, index = False))  

Answer 1

就像斯科特·亨特提到的那样，你没有使用CSV_folder

此外，我认为您正在覆盖创建的.csv文件：

for df in listdf: (df.to_csv(path, index = False))

对于For -循环的每次迭代，路径变量保持不变。

编辑：，您可能应该尝试这样做：

pdf_folder = 'C:\\PDF extract\\pdf\\'
paths = [pdf_folder + fn for fn in os.listdir(pdf_folder) if fn.endswith('.pdf')]

for path in paths:
    listdf = tabula.read_pdf(path, encoding = 'latin1', pages = 'all', nospreadsheet = True,multiple_tables=True)
    path = path.replace('pdf', 'csv')
    df_concat = pd.concat(listdf)
    df_concat.to_csv(path, index = False)