在目录中读取所有.pdf文件；将可填充的田地提取到熊猫DF

Question

我正在编写一个脚本，该脚本读取一个.pdf的文件夹，并将其填充字段提取到熊猫DF。我成功地提取了一个.pdf，其中包括以下代码：

import numpy as np
import pandas as pd
import PyPDF2
import glob, os

pwd = os.getcwd()

pdfFileObj = open('pdf_filename', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

fields_dict = pdfReader.getFormTextFields()
series = pd.Series(fields_dict).to_frame()
df = pd.DataFrame(pd.Series(fields_dict)).T

我想构建一个为目录中所有PDF运行此脚本的函数。我的第一个想法是在Glob中使用收集所有PDF的函数。这是我到目前为止所拥有的：

import numpy as np
import pandas as pd
import PyPDF2
import glob, os

pwd = os.getcwd()

def readfiles():
   os.chdir(pwd)
   pdfs = []
   for file in glob.glob("*.pdf"):
       print(file)
       pdfs.append(file)

pdfFileObj = open(readfiles, 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

fields_dict = pdfReader.getFormTextFields()
series = pd.Series(fields_dict).to_frame()
df = pd.DataFrame(pd.Series(fields_dict)).T

不幸的是，这是不起作用的，因为我不能在pdffilereader中添加功能。有人对这样做有更好的建议吗？谢谢！

Answer 1

我无法发表评论，新帐户。但是您可以尝试使您的readFiles函数返回阵列PDF。

然后，在下面的代码执行中：

listofPDF=readfiles()
arrayofDF=list()
for file in listofPDF:
       pdfFileObj = open(file , 'rb')
       pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
       ##execute your code to obtain a single dataframe from a pdf here
       fields_dict = pdfReader.getFormTextFields()
       series = pd.Series(fields_dict).to_frame()
       df = pd.DataFrame(pd.Series(fields_dict)).T
       arrayofDF.append(df)

您最终将拥有一个数据范围列表，每个列表与PDF文件之一相对应，如果代码的第一部分（其中您可以从单数PDF文件中获取数据框）。

此外，您可以制作一个字典，例如{fileName：file，dataframe：df}，然后将其附加到列表中，以便稍后可以基于文件名称的数据框架。这完全取决于您稍后打算使用数据范围的工作。