python - Tabula-py 没有正确拆分列

Question

我刚刚发现了使用 tabula-py（当然还有 tabula-java）从 pdf 中提取表格的乐趣。我现在正在为我的工作编写一个脚本，它从 pdf 表中读取一些数据，稍微清理一下，然后将其导出到 excel 中。我每天使用的pdf格式都是一样的，而且表格总是在某个区域。为了检测该区域，我使用了 tabula.exe：我选择表格，可视化预览（看起来不错），然后导出脚本，以便查看 tabula.exe 使用的 -a 参数。然后我在 Python 的命令中使用它，即：

df = tabula.read_pdf(os.fsdecode(directory)+filename, encoding = 'ISO-8859-1',
stream=True, area = "81.106,302.475,384.697,552.491", pages = 2, pandas_options={'header':None})

我使用 encoding 参数是因为标准 utf-8 返回错误，而使用 stream 方法，因为它是在 tabula.exe 中显示一个很好的提取表的方法。但是，数据框有一个问题，因为前 2 列（在 tabula.exe 的预览中正确显示为 2 个不同的列）实际上是一个单独的列，因此名称和值混合在一起。

您知道为什么同一区域会在 tabula-py 和 tabula.exe 中产生 2 个不同的结果吗？非常感谢你！

Answer 1

在 GitHub 上弄清楚了：tabula-py 默认将“guess”选项设置为 True。因此，要纠正差异，您只需添加guess=False，输出将是相同的！

    df = tabula.read_pdf(os.fsdecode(directory)+filename, encoding = 'ISO-8859-1', 
         stream=True, area = "81.106,302.475,384.697,552.491", pages = 2, guess = False,  pandas_options={'header':None})

Answer 2

如果其他人不知道在哪里划定表格和列，您可以使用 Adob​​e Acrobat 轻松找到准确的尺寸。在 Adob​​e Acrobat 中打开 pdf，打开标尺，并将其设置为点。放大，你可以看到精确的点测量来分割区域/表格。