Question

我正在尝试使用tabula-py从多页PDF中提取表格，并且在PDF的某些页面上的表格被完美提取的同时，某些页面被完全省略了。

忽略似乎是随机的，并且没有遵循PDF上的任何可见视觉特征（因为每个页面看起来都相同），因此表格省略了第1页，第2页，第3页和第4页，第5页，以及第5页，省略第6页，提取第8和9页，省略10，提取11等。我有macOS Sierra 10.12.6和Python 3.6.3 :: Anaconda定制（64位）。

我已经尝试将PDF分成较短的部分，甚至分成一页，但是无论我尝试什么，似乎都无法提取被省略的页面。我已经阅读了相关文档并在Tabula-py GitHub页面以及此处的Stack Overflow上提出了问题，但是我似乎没有找到解决方案。

我通过iPython笔记本使用的代码如下：

要通过终端安装表格：

pip install tabula-py

要提取我的PDF中的表格：

from tabula import read_pdf
df = read_pdf("document_name.pdf", pages="all")

我还尝试了以下操作，但没有任何作用

df = read_pdf("document_name", pages="1-361")

要将数据帧保存到csv中：

df.to_csv('document_name.csv')

如果您能为我提供帮助，我将非常感谢，因为我感觉自己陷入了PDF困境，仅从中提取了大约50％的数据。这真令人震惊，因为50％的对象看起来绝对是完美的，但另外50％的对象似乎超出了我的能力，因此无法进行更大的数据分析项目。

我还想知道这是否可能是PDF而不是Tabula的问题-文件是否会被错误地设置为受保护或锁定，并且您是否知道我可以进行检查并打开它？

提前谢谢！

Answer 1

这可能是因为PDF文件中的数据区域超出了表格所读取的区域。请尝试以下操作：

首先通过将页面之一解析为JSON格式（在这里我选择了第2页）来获取数据的位置，然后提取并打印位置：

tables = read_pdf("document_name.pdf", output_format="json", pages=2, silent=True)
top = tables[0]["top"]
left = tables[0]["left"]
bottom = tables[0]["height"] + top
right = tables[0]["width"] + left
print(f"{top=}\n{bottom=}\n{left=}\n{right=}")

您现在可以尝试通过实验来稍微扩展这些位置，直到您从PDF文档中收到更多数据为止：

# area = [top, left, bottom, right]
# Example from page 2 json output: area = [30.0, 59.0, 761.0, 491.0]
# You could then nudge these locations slightly to include a wider data area:
test_area = [10.0, 30.0, 770.0, 500.0]

df = read_pdf(
    "document_name.pdf",
    multiple_tables=True,
    pages="all",
    area=test_area,
    silent=True,  # Suppress all stderr output
)

和df变量现在将使用PDF数据保存表格。

Answer 2

尝试像这样使用mvn clean package： MavenProject mavenProject = new MavenProject("/home/admin/projects/maven-sample-project"); mavenProject.clean(); mavenProject.package(jarLocation = "/home/admin/projects/maven-sample-project/target/maven-sample-project-1.0.0-SNAPSHOT.jar");

列表中省略了我要提取的PDF文档中的页面

2 个答案: