下弄六号

空白文章20241001

Fri, 02 Jul 2021 00:00:00 GMT

你们都是虫子。 ——《三体》

今年对于新的一年真是有特殊的感受，因为这真正意义上是**「新的一年」**。

从放假这几天能感受出，曾经那些烟火气回来了。希望我和小气球在新的一年，也能越来越好，有新的收获。

新年第一篇，来点干货学习吧，毕竟学无止境呀。

pandas 是目前最流行的 Python 数据分析库(重复讲了非常多次了，但是还是要继续强调一下)。

它可以直接从各种外部来源读取数据，包括从 CSV、 Excel 表格、 JSON 文件、 SQL 数据库，甚至从剪贴板读取。在前面的教程中也有部分涉及，有兴趣的可以翻看之前的文章。

但是**「目前pandas还没有直接读取 PDF 文件中的数据的方法」。**

值得庆幸的是，tabula-py 库可以在 PDF 中以 DataFrames 的形式读取这些表。

接下来就让我们来实际操作一下。

在开始之前，如果还没有安装tabula-py库，可以使用如下代码进行安装：

我们将以一本名为“pandas cookbook”的书（Ted Petrou在2017年出版）中提取一个表。PDF 的图像内容如下：

Tabula-py 能自动读取通过 read _ pdf 函数传递过来的页面上的所有表。我们所要做的就是给它提供 PDF 文档的文件路径和要提取的页面。

可以看到，输入结果表示读取到了一个内容，目前为止输出正常。

我们再试着把pandas读取的内容打印出来看看是不是正常显示：

可以看到，表头这边出了一点错误，需要我们后续调整一下。

对于这个PDF，我们想要的是提取出正确的表格，其中包含格式、副本、收入、版税四列。而实际上，Tabula 提取的内容比预计的多，导致表格并没有提取的非常好。

我们可以使用pandas来清理数据，但 tabula-py 为我们提供了参数来定义整个表本身的边界和列的定位。相对 _ area 和相对 _ column 参数被设置为 True，这允许我们提供区域和列参数的边界，作为页面的百分比，而不是点坐标。在我看来，使用相对页面百分比更容易定义边界。传递区域列一个由顶部、左部、底部和右部组成的四项列表。它们表示表相对于页的边界。列的三项列表表示分隔四列的垂直线。让我们重新读入数据并输出结果 DataFrame。

这个提取看起来更好，几乎正是我们想要的。让我们检查每个列的数据类型，以了解哪些列需要更多处理。

方便地，成功地将“副本”列转换为整数。“收入”和“使用费”列作为字符串读入。我们现在必须转向熊猫将这些列转换为浮动。为此，我们使用正则表达式将任何美元符号、逗号和空格替换为空格。

在本教程中，我们将自定义输入传递到 tabula-py 的 read _ PDF 函数中，以提取作为熊猫 DataFrame 的 PDF 中的表。然后我们清理了结果，熊猫能够使用正则表达式替换字符。Tabula-py 还有几个选项可用于定制提取过程。

模板说明

Fri, 02 Jul 2021 00:00:00 GMT

如何使用Notion编写文章

请访问教程获取帮助

如何在Notion中开始写作 | NotionNext文档

这是一个由NotionNext生成的站点

https://docs.tangly1024.com/article/start-to-write

Notion快捷键 | NotionNext文档

Notion有很多使用的快捷键，看完这篇文章，让你的效率加倍

https://docs.tangly1024.com/article/notion-short-key

模板使用说明

NotionNext项目必须绑定一个Notion数据库才能使用。请访问教程获取帮助

Vercel云部署 | NotionNext文档

Vercel是一款国外的Serverless托管平台，对个人用户使用几乎免费，而且方便快捷，用Vercel托管你的Notion站点，无需再操心服务器的维护与资费问题。

https://docs.tangly1024.com/article/vercel-deploy-notion-next#3df829414795492bb41ec351eb6da84e

模板字段说

Notion数据库中，每条数据都将有以下属性🤔：

属性	必填	说明	备注
`title`	是	文章标题	ㅤ
`status`	是	发布状态	（仅当状态为`Published` 时会被展示）
`type`	是	页面类型 (博文`Post` / 单页(`Page`)	单页不会在博文列表显示。
`summary`	否	内容摘要	搜索和简略显示会用到，在文章列表会显示出
`date`	否	发布日期	在V3.3.9之前的版本此项为必填。
`category`	否	文章分类	可以自定义
`tags`	否	文章标签	可多个，建议不要太多
`slug`	否	文章短路径	(每篇文章唯一，请勿重复）
`icon`	否	菜单栏图标(仅当`Page`/`Menu`类型有效)	可以参考：图标库地址
`password`	否	文章加锁	需要输入密码才允许访问

数据库的每一列有不同的功能； type：这条数据的类型，有 notice(公告)、post(文章)、page(单页)、menu(菜单)、submenu(子菜单)这几种类型。 slug ，根据数据类型，有不同的作用：

在菜单(Menu\SubMenu)中表示跳转到哪个页面，在文章中表示这篇文章在博客中的访问地址、也可以是外链。通常以左斜杆开头： /test-menu对应访问 → https://站点域名/testmenu。也可以设置成完整的外链，例如https://tangly1024.com 。

在单页中（Page）, 表示这个页面在站点根目录的文件名。不要以左斜杆开头: 例如 test-page → 对应 https://站点域名/test-page。

在博文中(Post)，也表示文件路径，但是博文会自动添加一个前缀。例如: test-post 则可以通过 https://域名/article/test-post 访问到这个博客，这里的article是默认配置的前缀。

EMPTY-ARTICLE

Fri, 02 Jul 2021 00:00:00 GMT

😀

这里写文章的前言：一个简单的开头,简述这篇文章讨论的问题、目标、人物、背景是什么？并简述你给出的答案。

可以说说你的故事：阻碍、努力、结果成果，意外与转折。

📝 主旨内容

观点1

引用的话语

观点2

引用的话语

🤗 总结归纳

总结文章的内容

📎 参考文章

一些引用

引用文章

💡

有关Notion安装或者使用上的问题，欢迎您在底部评论区留言，一起交流~

绑定成功测试

Fri, 02 Jul 2021 00:00:00 GMT

😀

如果您的Notion数据库已经修改了内容，发现网站内容还是旧的，说明绑定NotionPageID失败了，请重新检查Vercel后台是否正确配置好ID，并尝试重新部署

示例文章

Fri, 05 Nov 2021 00:00:00 GMT

基本段落

书中自有黄金屋，书中自有颜如玉

💡

生活的意义并不是与他人争高下，而在于享受努力实现目标的过程，结果只是对自己行动的嘉奖。

将进酒

李白〔唐代〕参考[1]

君不见黄河之水天上来，奔流到海不复回。君不见高堂明镜悲白发，朝如青丝暮成雪。人生得意须尽欢，莫使金樽空对月。天生我材必有用，千金散尽还复来。烹羊宰牛且为乐，会须一饮三百杯。岑夫子，丹丘生，将进酒，杯莫停。与君歌一曲，请君为我倾耳听。钟鼓馔玉不足贵，但愿长醉不愿醒。古来圣贤皆寂寞，惟有饮者留其名。陈王昔时宴平乐，斗酒十千恣欢谑。主人何为言少钱，径须沽取对君酌。五花马、千金裘，呼儿将出换美酒，与尔同销万古愁。

TANGLY's BLOG | 记录思考、分享我的学习笔记

记录思考、分享我的学习笔记

https://tangly1024.com/

特殊段落

1.代码

其他更多语言

加锁文章 - 密码123456

Fri, 05 Nov 2021 00:00:00 GMT

本文需要输入密码才可访问，密码: 123456