1

预期行为：

阅读PDF，将所有表格数据提取到pandas df中。

实际行为：

可以很好地读取 PDF，提取大部分表格数据并将其保存到带有fp.write(df). 当我查看debugging.txt 或观看终端打印时，一列（名称）通常只返回'...'。

这就像 9/10 次返回...... - 有时只是第一页，但其余的都很好。有时他们都没事……这看起来很奇怪。

（我可能是个白痴，它可能会缩短它，因为它是迄今为止最长的字符串 2-3 倍。但我的 Google Fu 让我失望了）

示例输入（保护隐私的名称）：

样本输入

样本输出：

21        121         87    59 2003  ...         NaN        NaN         NaN
22        122         86    59 2026  ...         NaN        NaN         NaN
23        123         85    60 2038  ...         NaN        NaN         NaN
24        124         84    60 2050  ...         NaN        NaN         NaN
25        125         83    61 2056  ...         NaN        NaN         NaN
26        126         82    61 2095  ...         NaN        NaN         NaN

代码：

pagecount = 0
for filename in os.listdir(SPLITDIR):

    print("Working on: {}".format(filename))

    if not filename.endswith(".pdf"):
        print("I dont think {} is a PDF".format(filename))
        continue

    pagedf = read_pdf(SPLITPATH.format(pagecount) pages='all')
    #print(pagedf)
    debugextract.write(str(pagedf))

    pagedf = pd.DataFrame(pagedf)
    print(pagedf)

    pagecount += 1
4

1 回答 1

2

这不是来自 tabula 而是来自 ipython 或 Jupyter 的显示设置。

另请参阅https://github.com/chezou/tabula-py/issues/216#issuecomment-581837621

于 2020-03-08T03:01:04.590 回答