我想遍歷目錄中的所有PDF，使用PDFminer從每個PDF中提取文本，然后將輸出寫入單個CSV文件。我能夠通過將文本傳遞給此處定義的函數來單獨從每個PDF中提取文本。我還能夠獲得給定目錄中所有PDF文件名的列表。但是，當我嘗試將兩者放在一起并將結果寫入單個CSV時，我得到了一個帶有標頭但沒有數據的CSV。這是我的代碼：import ospdf_files = [name for name in os.listdir("C:\\My\\Directory\\Path") if name.endswith(".pdf")] #get all files in directory pdf_files_path = ["C:\\My\\Directory\\Path\\" + pdf_files[i] for i in range(len(pdf_files))] #add directory pathimport pandas as pddf = pd.DataFrame(columns=['FileName','Text'])for i in range(len(pdf_files)): scraped_text = convert_pdf_to_txt(pdf_files_path[i]) df.append({ 'FileName': pdf_files[i], 'Text': scraped_text[i]},ignore_index=True)df.to_csv('output.csv')變量具有以下值：pdf_files: ['12280_2007_Article_9000.pdf', '12280_2007_Article_9001.pdf', '12280_2007_Article_9002.pdf', '12280_2007_Article_9003.pdf', '12280_2007_Article_9004.pdf', '12280_2007_Article_9005.pdf', '12280_2007_Article_9006.pdf', '12280_2007_Article_9007.pdf', '12280_2007_Article_9008.pdf', '12280_2007_Article_9009.pdf']pdf_files_path: ['C:\\My\\Directory Path\\12280_2007_Article_9000.pdf', etc...]Empty DataFrameColumns: [FileName, Text]Index: []更新：根據@AMC的建議，我在循環中檢查了scraped_text的內容。對于“文本”列，似乎我正在循環遍歷第一個PDF文件中的字符，而不是直接循環遍歷每個文件。此外，循環的內容不會寫入數據幀或 CSV。12280_2007_Article_9000.pdf E12280_2007_Article_9001.pdf a12280_2007_Article_9002.pdf s12280_2007_Article_9003.pdf t12280_2007_Article_9004.pdf 12280_2007_Article_9005.pdf A12280_2007_Article_9006.pdf s12280_2007_Article_9007.pdf i12280_2007_Article_9008.pdf a12280_2007_Article_9009.pdf n
1 回答
慕尼黑的夜晚無繁華
TA貢獻1864條經驗 獲得超6個贊
我想你不需要這個。您可以使用標準庫 csv 使其更簡單。pandas
如果您使用的是Python 3.4 +，另一件可以改進的事情是用pathlib替換。os
下面是一個幾乎完整的示例：
import csv
from pathlib import Path
folder = Path('c:/My/Directory/Path')
csv_file = Path('c:/path/to/output.csv')
with csv_file.open('w', encoding='utf-8') as f:
writer = csv.writer(f, csv.QUOTE_ALL)
writer.writerow(['FileName', 'Text'])
for pdf_file in folder.glob('*.pdf'):
pdf_text = convert_pdf_to_txt(pdf_file).replace('\n', '|')
writer.writerow([pdf_file.name, pdf_text])
要記住的另一件事是確保將是一行，否則您的文件將會損壞。解決此問題的一種方法是選擇任意字符來代替新行標記。例如，如果您選擇管道字符，則可以在以下操作之前執行類似操作：pdf_textcsvwriter.writerow
pdf_text.replace('\n', '|')
它不是一個完整的例子，而是一個起點。我希望它有幫助。
添加回答
舉報
0/150
提交
取消