使用Python提取PDF文件中的表格（使用mutool修复PDF）

下载了好多PDF文件，大量的数据在里面，需要提取里面表格。于是乎！

找了一个Python的包，叫做camelot （https://github.com/socialcopsdev/camelot），进行表格提取。强大！！

import camelot

table=camelot.read_pdf(filename,pages=str(page_index))

于是乎！

大概有一般的PDF文件提取失败，出现异常

PdfReadWarning: Illegal character in Name Object [generic.py:489]
Invalid dictionary construct: [/'Type', /'Font', /'Subtype', /'Type0', /'BaseFont', /b"b'", /"ABCDEE+\xcb\xce\xcc\xe5'", /'Encoding', /'Identity-H', /'DescendantFonts', PDFObjRef:6, /'ToUnicode', PDFObjRef:12]

 

然后听说需要修复以下pdf文件，然后再提取。

于是乎，就找到了这个命令

mutool clean

很强大的指令。

修复后测试，果然有效。

然后对所有PDF进行了一次修复

import os

path='修复前/'
files=os.listdir(path)
for file in files:
    print(file)
    s='mutool clean 修复前/'+file+' 修复后/'+file
    os.system(s)