PDFからテーブルデータを取得

import tabula
import re
import glob

# 関数定義：PDFからCSVを取得
def get_table(pdf):
    # PDFからdfを取得
    dfs = tabula.read_pdf(
        pdf,       # PDFファイル
        pages=2,    # 抽出ページ
        guess=False,     # 分析部分の変更有無
        #area='entire',  # ページの部分指定
        area=[0, 128, 800, 1600], # セル結合している左端のセルを回避して読み込む
        lattice=True,  # 格子区切りがPDF内にある場合の対応
        stream=False,   # ストリームモード
        password=None,  # パスワード
        )
    # 複数のテーブルのリストとして得られる
    # 必要なのは最初のdf
    df = dfs[0]

    # テーブルデータの整形・出力
    df = processing_df(df=df) # 自作関数

    # ファイルパスから日付を取得
    regex = '.*高速道路交通量_全国_日別_(20[0-9]{2}-[0-9]{2}-[0-9]{2}).pdf'
    date = re.match(regex, pdf)[1]
    
    # CSV出力・保存
    out_path = '../02_work/02_高速道路日別交通量_csv/02_高速道路交通量_全国_日別_' + date + '.csv'
    df.to_csv(out_path, index=False, encoding='cp932')

# 関数定義：テーブルデータの整形
def processing_df(df):
    # NAのレコードを削除
    df = df[~df['都道府県名'].isna()]
    df = df[df['都道府県名']!='合 計']
    df = df[df['都道府県名']!='平均']
    
    # カラム名に入った改行記号などを削除
    # 削除したい箇所を正規表現でリスト化
    regex_list = ['\r', '[0-9]\(台/日\)']

    for regex in regex_list:
        df.columns = [re.sub(regex, '', col) for col in df.columns]
    
    # df.columns = [col.replace('\r', '') for col in df.columns]
    # 和暦を西暦に変換
    df.columns = [col.replace('令和4年', '2022年') for col in df.columns]
    df.columns = [col.replace('令和3年', '2021年') for col in df.columns]
    df.columns = [col.replace('令和2年', '2020年') for col in df.columns]
    df.columns = [col.replace('令和1年', '2019年') for col in df.columns]
    df.columns = [col.replace('平成31年', '2019年') for col in df.columns]

    # 箇所名の表記を置換
    df['箇所名'] = df['箇所名'].str.replace(' ※[0-9]', '', regex=True)
    df['箇所名'] = df['箇所名'].str.replace('~', '～', regex=True)
    df['箇所名'] = df['箇所名'].str.replace(' ', '', regex=True)

    return(df)