Question

PDF文件内容是中文（字符，而不是图片等），因此它可能使用不同的字体。我的代码：

>>> import tabula
>>> df = tabula.read_pdf('/data/proj/smartinvestment/cninfo_download_reports/pdf/601101/2016-12-29/1202969937.PDF', pages='all')

错误：

Feb 02, 2018 6:44:34 PM org.apache.pdfbox.pdmodel.font.PDCIDFontType2 <init>
INFO: OpenType Layout tables used in font ABCDEE+ËÎÌå are not implemented in PDFBox and will be ignored

最终的DataFrame为空。

我无法从stackoverflow中找到任何想法。我该如何解决这个问题？我应该导入一些字体，还是有其他原因造成这个错误？

Answer 1

我感到你很痛苦。但是，我正在数据框（df）中获取数据，并执行与您类似的步骤。要进行故障排除，请查看返回的df类型：

import tabula

pdf_file_name = "my_filename.pdf"
df = tabula.read_pdf(pdf_file_name,
                     encoding='Ansi') # or encoding='utf-8'

print(type(df))
# df.to_csv("output.csv", index=False)

由于您拥有pages =“ all”，因此您的df很可能是df的列表，这将要求您查看列表中的每个df以查看数据的证据。

此外，如果tabula.read_pdf的multiple_tables参数设置为True，则df将是df的列表，这又需要您查看列表中的每个df才能查看数据。

Tabula-py字体未实现错误

1 个答案: