Question

背景：

我有一个多页的PDF文件（LARGE_PDF）。每页包含一个表，没有其他内容。每个表看起来都不同。我想提取表内容并将其放入pandas数据框。我正在为此使用tabula-py，它可以通过以下方法按需工作：

方法：

首先，我将PDF文件拆分为多个单页PDF文件并将其保存到光盘中。

single_page_files = split_and_save(LARGE_PDF) # Split to single files, one page each

第二，将每个文件馈送到tabula-py。

from tabula import read_pdf as tabular_read 

for item in single_page_files:                
    print type(item)
    df = tabular_read(PDF_page, pandas_options={'header':None})
    if df:
         print 'approach works'

输出：

>>> <type 'str'>                              # filepath string
>>> approach works

挑战：

我现在要在内存中执行此操作，这样就不会将任何中间的单页pdf文件保存到磁盘上。为此，我创建了一个单页PyPDF2.pdf.PageObject对象列表，并将其提供给tabula-py。

from PyPDF2 import PdfFileReader, PdfFileWriter

single_page_pypdfobjects = split_but_dont_save(LARGE_PDF)
for item in single_page_pypdfobjects:                
    print type(item)
    df = tabular_read(PDF_page, pandas_options={'header':None})
    if df:
         print 'approach works'

输出：

>>> class 'PyPDF2.pdf.PageObject'>             # PyPDF2 single page object
>>> TypeError: unhashable type

如何使用python处理内存中的PDF？

Answer 1

您不需要拆分PDF。 Tabla-py有一个选项pages告诉您要从中提取哪些页面。

如何使用python处理内存中的PDF？

1 个答案: