python - Python & Pandas:将多行组合成单个单元格
问题描述
我正在编写一个脚本,该脚本从 pdf 文件中提取文本并将其作为字符串插入到单个 csv 行中。使用pdfplumbr
我可以成功提取文本,将每个页面的文本作为单独的行插入到 csv 中。但是,我正在努力弄清楚如何将这些行组合成一个单元格。我正在尝试将 Pandaspd.concat
功能结合起来,但到目前为止还没有成功。
这是我的代码:
import pdfplumber
import pandas as pd
import csv
file1 = open("pdf_texts.csv", "w", newline="")
file2 = open("pdf_text_pgs.csv", "w", newline="")
writer2 = csv.writer(file2)
headers = ['text']
with pdfplumber.open('target.pdf') as pdf:
pdf_length = len(pdf.pages)
writer2.writerow(headers)
for page_number in range(0, pdf_length):
pdf_output = pdf.pages[page_number]
pdf_txt = pdf_output.extract_text().encode('UTF-8')
writer2.writerow([pdf_txt])
# this is my attempt for pd.concat
df = pd.read_csv("pdf_text_pgs.csv", 'r')
df_txts = df['text']
pdf_txt_df = pd.concat([df_txts], axis=0, ignore_index=True)
pdf_txt_df.to_csv('pdf_texts.csv', header=False, index=False)
但是,最终输出无法合并行,更糟糕的是似乎丢失了最后一行。关于如何解决这个问题的任何建议?感谢所有帮助。
解决方案
您只需将每个页面的文本存储在一个列表中,并在最后将它们组合起来。例如:
import pdfplumber
import csv
with pdfplumber.open('target.pdf') as pdf, \
open("pdf_text_pgs.csv", "w", newline="", encoding="utf-8") as f_output:
csv_output = csv.writer(f_output)
csv_output.writerow(['text'])
text = []
for page in pdf.pages:
extracted_text = page.extract_text()
if extracted_text: # skip empty pages or pages with images
text.append(extracted_text)
csv_output.writerow([' '.join(text)])
推荐阅读
- android - 选择另一个选项卡后,上一个选项卡选择保持活动状态
- r - R- data.table 中组的随机样本
- python - 在午夜拆分数据帧条目
- sql - Oracle db:如何获取 current_time?
- events - 如何在 python 对象和 ipywidget 之间进行双向链接
- assembly - x86 XOR 操作码差异
- redis - 将 Kubernetes Pod 中的数据写入主机
- node.js - 如何在 node.js lambda 函数中进行同步 DDB 查询?
- ios - iOS 如何在前台显示本地通知?
- c++ - 为什么 C++ const 引用可以折叠成非 const 引用