如何使用python处理内存中的PDF？

Question

背景：

我有一个包含多页的 PDF 文件 (LARGE_PDF)。每个页面都包含一个表格，没有其他内容。每张桌子看起来都不一样。我想提取表格内容并将它们放入熊猫数据框中。我为此使用tabula-py，它可以通过以下方法按需要工作：

方法：

首先，我将 PDF 文件拆分为多个单页 PDF 文件并保存到光盘。

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

其次，将每个文件提供给 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：

我现在想在内存中执行此操作，以便不会将中间单页 pdf 文件保存到磁盘。为此，我创建了一个单页 PyPDF2.pdf.PageObject 对象列表并将它们提供给 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 告诉它您要从哪些页面中提取。