Конвертировать PDF в Excel / CSV / XLSX - PullRequest
Новая
       25

Конвертировать PDF в Excel / CSV / XLSX

0 голосов
/ 17 февраля 2019

Мое намерение - преобразовать строки pdf в файл excel / csv следующим образом:

Файл PDF: (Исходный файл) 

#_________________________________________________________________________
appliance
n. 1. See server appliance. 2. See information appliance. 3. A device with a single or limited ......

appliance server
n. 1. An inexpensive computing .....2. See server appliance. 

application
n. A program designed ......
#________________________________________________________________________

Excel File : (Target File)
#________________________________________________________________________
appliance              , n. ,          1. See server appliance    ,
appliance server       , n. ,          1. An inexpensive co       ,
application            , n. ,          A program designed ......  ,  
_#_______________________________________________________________________

У меня есть преобразованиеPDF в текст и пытается разделить с помощью «,», а затем преобразовать текстовый файл в CSV-файл.Но я застрял после преобразования PDF в текстовый файл. 

import os
from os import chdir, getcwd, listdir, path
import PyPDF2
from time import strftime
def check_path(prompt):
    ''' (str) -> str
    Verifies if the provided absolute path does exist.
    '''
    abs_path = raw_input(prompt)
    while path.exists(abs_path) != True:
        print ("\nThe specified path does not exist.\n")
        abs_path = raw_input(prompt)
    return abs_path
print ("\n")
folder = check_path("Provide absolute path for the folder: ")
list=[]
directory=folder
for root,dirs,files in os.walk(directory):
    for filename in files:
        if filename.endswith('.pdf'):
            t=os.path.join(directory,filename)
            list.append(t)
m=len(list)
i=0
while i<=len(list):
    path=list[i]
    head,tail=os.path.split(path)
    var="\\"
    tail=tail.replace(".pdf",".txt")
    name=head+var+tail
    content = ""
    # Load PDF into pyPDF
    pdf = PyPDF2.PdfFileReader(filename(path, "rb"))
    # Iterate pages
    for i in range(0, pdf.getNumPages()):
        # Extract text from page and add to content
        content += pdf.getPage(i).extractText() + "\n"
    print (strftime("%H:%M:%S"), " pdf  -> txt ")
    f=open(name,'w')
    f.write(content.encode("UTF-8"))
    f.close

1 Ответ

0 голосов
/ 21 февраля 2019

Может быть стоит сначала преобразовать PDF в CSV, а затем манипулировать CSV в соответствии с макетом, который вы хотели бы потом.

Этот API-интерфейс можно использовать с Python для преобразования одного или нескольких PDF-файлов в CSV: https://pdftables.com/pdf-to-excel-api.

Для преобразования одного PDF: 

import pdftables_api

c = pdftables_api.Client('my-api-key')
c.xlsx('input.pdf', 'output.csv')

или для преобразования нескольких PDF: 

import pdftables_api
import os

c = pdftables_api.Client('MY-API-KEY')

file_path = "C:\\Users\\MyName\\Documents\\PDFTablesCode\\"

for file in os.listdir(file_path):
    if file.endswith(".pdf"):
        c.xlsx(os.path.join(file_path,file), file+'.csv')
...