使用pdfplumber查找PDF中的文本，返回页码，然后返回表格

Question

我下载了42个PDF，每个PDF的格式都是相似的。每个都有不同的表，其中一个被标记为“校园报告的事件”。该特定表格位于每个PDF中的不同页面上。我想写一个函数，它将搜索包含“校园事件报告”的页面，并抓取该表，以便我可以将其放入数据帧中。

我想我可以使用PDFPlumber搜索字符串"Campus Reported Incidents“并返回页码。然后，我会编写一个使用页码来抓取我想要的表格的函数，并且我会在每个PDF中循环该函数。但是，我一直收到“参数不可迭代”或“类型对象不可订阅”的错误。我查看了PDFPlumber文档，但它并没有解决我的问题。

下面是我尝试过的一个代码示例：

url = "pdfs/example.pdf"

import pdfplumber

pdf = pdfplumber.open(url)

for page in range[0:len(pdf.pages)]:
    if 'Total number of physical restraints' in pdf.pages[page]:
        print(pdf.page_number)

Answer 1

我看到这篇文章是在一段时间之前的，但也许这篇回复仍然会对你或其他人有所帮助。

这个错误看起来像是来自于你在页面中循环的方式。range对象不是一个列表，这就是您看到"type object is not subscriptable"错误消息的原因。取而代之的是，尝试通过"Enumerate"浏览页面。"i"会让你访问索引(也就是循环中的当前计数)。将使您能够访问"pg"页面中的页面对象。我没有使用下面的"pg"变量，但是如果您愿意的话，您可以使用它来代替"pages[i]"。

下面的代码应该打印每一页中的表，并允许您访问这些表以进一步操作它们。

import pdfplumber
pdf_file = "pdfs/example.pdf"
tables=[]
with pdfplumber.open(pdf_file) as pdf:
    pages = pdf.pages
    for i,pg in enumerate(pages):
        tbl = pages[i].extract_tables()
        print(f'{i} --- {tbl}')