问题标签 [tabula-py]

我开发了一个 API 来解析 PDF 中的数据。我使用 tabula-py 来开发这个 API，但在 localhost 上需要 4-5 秒，这要长得多。为了减少响应时间，我想使用 Azure-Function，但它比 localhost（9-10 秒）花费的时间要长得多，这是意料之中的。

为了部署它，我使用了 docker 镜像（Azure 的 ACR），我认为它可以帮助我提高可扩展性。任何人都可以建议我减少响应时间的可能方法吗？为什么在 Azure Function 中需要这么长的时间（这是意料之外的）？

PS Azure Function 与 AWS Lambda 类似。

我的代码正在运行，但打印到 csv 的表格打印了两次。可以做什么？

Excel 文件输出.csv

要转换的 PDF 图像

这是我的代码：

但它给出了以下错误：

ImportError：无法导入名称“包装器”

我在 ubuntu 上尝试过，它在那里工作正常，但在 Windows 上我无法使用此代码，因为它总是给出上述错误。我使用以下命令安装了 tabula：

pip3 安装 tabula-py

一个.py程序可以工作，但完全相同的代码在作为 API 公开时不起作用。

该代码使用 Tabula 读取 pdf 并提供表格内容作为输出。

我试过了 ：

和

我已经在运行 Ubuntu 的 AWS EC2 上安装了 tabula-py（不是 tabula）。

除了 read_pdf，我实际上还想转换为 CSV 并给出输出。但这也行不通。我得到相同的无属性错误，即module 'tabula' has no attribute 'convert_into。

.py 文件和 API 文件（.py 也是如此）位于同一目录中，并由同一用户访问。

任何帮助将不胜感激。

编辑：我尝试从 API 运行与 OS 命令 ( os.system("python3 /home/ubuntu/flaskapp/tabler.py")) 相同的 python 文件。但它也没有奏效。

我正在尝试在 Python3.7 环境中的 AWS Lambda 上运行 tabula-py。代码非常简单：

如您所见，只有一行真正的代码具有 tabula.read_pdf()。我没有将文件写入任何地方，但我遇到了异常exception = OSError(30, 'Read-only file system')

仅供参考，表格详细信息可在此处获得

以下是我已经尝试过但没有奏效的方法：

1. 验证 url 是否被正确读取。还通过代码中的 harc 编码链接进行了尝试。
2. 在 Google、Stackoverflow & Co. 上进行检查，但没有找到可以解决此问题的方法。
3. __pycache__在上传之前从 ZIP 中删除目录以更新代码。还确保 lambda 部署包中没有特定于操作系统的本地目录。

任何帮助将不胜感激。

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）：

样本输出：

代码：

我使用 pip install 安装了 tabula-py，并且导入它没有错误。

我还确保将 JAVA 添加到 PATH（环境变量）。

但是，当我尝试运行时：

我收到错误： ImportError: cannot import name 'read_pdf' from 'tabula' (unknown location)

关于如何从这里开始的任何想法？

如果有帮助，我正在使用 Pycharm。

我正在使用 Python (3.8.1) 和 tabula-py (2.1.0) ( https://tabula-py.readthedocs.io/en/latest/tabula.html#tabula.io.build_options ) 从基于文本的 PDF 文件（每月 AWS 账单报告）。

下面显示了 PDF 文件的示例（第 1 页的底部和第 2 页的顶部）。

Python 脚本如下所示：

生成以下输出：

我的想法是必须正确设置 area 选项，因为有时会省略顶部和最左侧的数据。是这样吗？如果是这样，您如何在 PDF 文件中找到所有表格数据的正确区域？

提前致谢。

我正在使用 tabula-py 从 pdf 文档中提取表格，如下所示：

这给出了这样的输出：

我想从这个 pdf 中得到什么从索引 2 开始。所以我运行

我得到一个看起来像这样的数据框：

现在，我想要从 2 到最后一个索引的索引。我做了

但我得到的是一个列表，而不是预期的数据框。

请问我解决这个问题吗？我需要从 2 开始的索引数据框。

我目前正在使用tabula.read_pdf()从 pdf 中提取表格。但是，没有关于该表来自哪个页面的信息。一种方法是获取总页数并通过传入pages参数 for 来迭代每一页tabula.read_pdf()。然而，这是极其低效的。以下是一些解释，我在这里使用示例 pdf http://www.annualreports.com/HostedData/AnnualReports/PDF/NASDAQ_AMZN_2019.pdf