我正在尝试使用 tabula-py 从多页 PDF 中提取表格,虽然 PDF 某些页面上的表格被完美提取,但某些页面被完全省略。
遗漏似乎是随机的,不遵循 PDF 上任何可见的视觉特征(因为每个页面看起来都一样),因此 tabula 省略了第 1 页,提取的第 2 页,省略了第 3 和第 4 页,提取的第 5 页,省略了页面6,提取第8页和第9页,省略10,提取11等。我有macOS Sierra 10.12.6和Python 3.6.3 :: Anaconda custom(64位)。
我尝试将 PDF 分成更短的部分,甚至分成单页,但无论我尝试什么,似乎都无法提取被省略的页面。我已经阅读了 Tabula-py GitHub 页面以及 Stack Overflow 上的相关文档并提交了问题,但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:
通过终端安装表格:
pip install tabula-py
要在我的 PDF 中提取表格:
from tabula import read_pdf
df = read_pdf("document_name.pdf", pages="all")
我还尝试了以下方法,但没有任何区别
df = read_pdf("document_name", pages="1-361")
要将数据框保存到 csv 中:
df.to_csv('document_name.csv')
如果您能帮我解决这个问题,我将非常感激,因为我觉得我被 PDF 卡住了,我只能从中提取大约 50% 的数据。这真令人生气,因为 50% 看起来绝对完美,但其他 50% 似乎超出了我的能力范围,使得分析数据的更大项目变得不可能。
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,你们中是否有人知道我如何检查并打开它?
提前致谢!