Question

在线阅读后，我决定使用tabula-py从pdf文件中提取表格。我们使用Anaconda，我刚刚安装了tabula-py 1.1.1。

我想从一个简单的脚本开始，看看用一个带有一些文本和两个表的单页pdf文件（“ table_p16.pdf”）会做什么。

代码：

from tabula import read_pdf
df = read_pdf("table_p16.pdf")

错误：

拾取了JAVA_TOOL_OPTIONS：-Djava.security.properties = c：\ Windows \ Sun \ Java \ Deployment \ sam.security

回溯（最近通话最近一次）：

文件“ H：/Personlich/SVN/blademat_tb/blademat_toolbox/utility/read_pdf.py”，第41行，在       df = read_pdf（“ table_p16.pdf”）

文件“ C：\ Users \ xxxxxxxxxxxx \ AppData \ Local \ Continuum \ Anaconda3 \ envs \ test_env \ lib \ site-packages \ tabula \ wrapper.py”，行117，在read_pdf中       返回pd.read_csv（io.BytesIO（输出），** pandas_options）

parser_f中的第709行“ C：\ Users \ xxxxxxxxxxxx \ AppData \ Local \ Continuum \ Anaconda3 \ envs \ test_env \ lib \ site-packages \ pandas \ io \ parsers.py”       返回_read（filepath_or_buffer，kwds）

文件“ C：\ Users \ xxxxxxxxxxxx \ AppData \ Local \ Continuum \ Anaconda3 \ envs \ test_env \ lib \ site-packages \ pandas \ io \ parsers.py”，第455行，_read       数据= parser.read（行）

文件“ C：\ Users \ xxxxxxxxxxxx \ AppData \ Local \ Continuum \ Anaconda3 \ envs \ test_env \ lib \ site-packages \ pandas \ io \ parsers.py”，第1069行，已读       ret = self._engine.read（nrows）

文件“ C：\ Users \ xxxxxxxxxxxx \ AppData \ Local \ Continuum \ Anaconda3 \ envs \ test_env \ lib \ site-packages \ pandas \ io \ parsers.py”，第1839行，已读取       数据= self._reader.read（nrows）

pandas._libs.parsers.TextReader.read中的文件“ pandas / _libs / parsers.pyx”，第902行

pandas._libs.parsers.TextReader._read_low_memory中的文件“ pandas / _libs / parsers.pyx”，第924行

pandas._libs.parsers.TextReader._read_rows中的文件“ pandas / _libs / parsers.pyx”，第978行

在pandas._libs.parsers.TextReader._tokenize_rows中的文件“ pandas / _libs / parsers.pyx”，第965行

pandas._libs.parsers.raise_parser_error中的文件“ pandas / _libs / parsers.pyx”，第2208行

pandas.errors.ParserError：标记数据时出错。 C错误：第9行中应有8个字段，看到9

我尝试过的事情：

由于该错误似乎表明大熊猫存在问题，因此我尝试阅读一张表格的单页pdf。同样的错误。
将用户变量PATH设置为Java。没有改变任何东西。无法设定系统变量PATH到Java，因为它当前用于我们的SVN 程序。

不同的代码行，具有相同的错误：

df = read_pdf(r"table_p9.pdf")
df = read_pdf(r"table_p9.pdf")
df = read_pdf("table_p9.pdf", output_format='json')

我希望有人能帮助我找出问题所在。这可能是Java问题，但是我对所需的Java交互并不熟悉。您的帮助非常有用。

修改

我尝试了不同的表，但有些表似乎正在工作。很难确定哪种类型的表起作用。有些带有“合并”列的行，而有些带有“合并”行的行似乎有效。但显然不是全部。另外，我无法使用参数multi_tables = True读取多个表（2或3）。

Tabula可以处理哪种表？这让我想知道Tabula是否适合使用正确的程序。在完成所有阅读之后，我觉得Tabula会擅长于此。它似乎要处理的表并不复杂。

是否有关于如何最大程度地使用Tabula的清晰简单的资料？或者以其他方式提示如何处理Tabula所困扰的表？

关于，加布里埃尔

Answer 1

这是制表符（或制表符）选项的粗略准则。

1）合并单元格与行表您可以使用lattice=True选项。在点阵模式下，表格可适当处理表格行。请注意，您可能需要后期编辑合并单元格的某种fillna。我经历过一些合并的列是用左对齐提取的。

AFAIK，表格很难提取没有表格行的合并单元格。

表格的一般调整点为lattice，stream，guess。

2）在一个或多个页面中有多个表这是特定于表格的选项，您必须使用multiple_tables=True选项。

默认情况下，tabula-py尝试通过CSV提取表。虽然这种方法可以从pandas.read_csv函数中受益，例如推断列名。 read_csv假定PDF中只有一个表（相同列大小的表）。列大小不同的pandas.read_csv会导致ParserError。

另一方面，使用multiple_tables选项，tabula-py通过可表示多个表的JSON创建DataFrame。

另一个选择。从tabula-py 1.3.0开始，您可以将Tabla应用程序模板与tabula-py一起使用。从模板获取区域数据，您可以通过准确的区域信息更适当地提取。

Python的表格格式错误（熊猫错误？）

1 个答案: