问题标签 [tabula-py]

我正在尝试运行以下代码：

但是当我在终端上运行它时，它显示以下错误：

第 2 行 pip install tabula-py ^ SyntaxError: invalid syntax

我该如何解决这个问题？我在我的机器上安装了 Java，因为我读到我们需要安装 java 环境才能安装 tabula-py

我有以下格式的pdf

并试图提取名为表 1 和表 2 的两个表。我现在有以下代码：

但它将整个页面识别为具有两列的表，而不是返回两个表：表 1 和表 2

现在输出： 一个有两列的表格：第一列是这个页面的左列，第二列是这个页面的右列

需要的输出： 两个表，每列三列：表 1 和表 2

我有一个 5 行 5 列的列表。

我正在尝试将此列表转换为数据框。

当我尝试这样做时，它只抓取第一行。

这失败了，因为我将它设置为 5,5：

当我把它切换到这个时：

它只抓住了第一排。

1. 为什么这样做？
2. 有什么建议吗？

编辑：添加上下文

我正在使用tabulapython 中的模块来读取 PDF 文件。PDF 文件结果存储在变量pdf_read.

当我这样做len(pdf_read)时，它的长度为 1，但是当我输入时 print(pdf_read)它说它是 5 行 x 5 列，这很奇怪。

编辑#2：数据类型

我运行了以下内容：

我得到了<class 'list'>和<class 'pandas.core.frame.DataFrame'>分别。

似乎我在列表中有一个数据框。

我运行了这段代码：

这只是返回一个 5,5 数据框，但每列中的所有值都是 NaN。

取得了一些进展，但需要弄清楚为什么现在没有填充这些值。

我有一个 PDF 文件，其中有几个表格，例如：PDF 文件中的 表格

顺便说一句，我了解到我必须使用 Java 中的 tabula-py（注意：我正在使用 Jupyter Notebook 所以，我编写了这个代码：import pandas as pd import numpy as np

从表格导入 read_pdf 导入表格

pdf_path = "..\PDFs\pobreza2.pdf" #文件方向

df=tabula.read_pdf(pdf_path, pages="all", stream=True, guess=False, multiple_tables=True) #PDF有很多页有几个表

我得到了这个： 代码的输出

它就像一个列表，而不是一个数据框

那么，我怎样才能将这张表放入 Dataframe 中呢？表格有字符串和浮点对象

使用 Tabula-py 提取 pdf 表，它提取所有行但没有正确拆分。采取下面的样本 pdf 进行提取。

尝试使用以下代码提取

它没有正确提取行，而是创建了未命名的列。像这样提取

帮我解决这个问题。提前致谢

我已经对我的代码进行了几次测试，每次都运行良好，但现在由于某种原因，它引发了一个奇怪的错误，我会马上停止。我正在使用 tabula 读取一些 pdf 文件，这是出现错误的代码：

错误位于以“tables = tabula.read_pdf(...)”开头的行。

最重要的是，这是完整的错误消息：

它讨论了 java 依赖项（可能是因为 tabula 有 tabula-py 和 tabula-java ？），我发现的与此类错误最相关的问题是应该更新 java，而我的计算机上有最新版本。关于它可能是什么的任何想法？

将 PDF 文件导出到 csv 时，它返回错误：writeheader() 采用 1 个位置参数但给出了 2 个

我有一个下载 pdf 作为响应的 URL。我想使用 python请求模块下载 pdf 文件，并希望在tabula模块的函数read_pdf中加载相同的响应，以便从 pdf 文件中提取 pdf。但是，我想在内存中执行此操作（而不保存在磁盘中），但read_pdf函数需要一个参数input_path，它应该是 str、路径对象或类似文件的对象）。谁能建议一种将响应对象转换为类文件对象的方法？

PS：

1. 我已经尝试过io模块的BytesIO和StringIO但没有用。
2. 在tabula doc 中提到了一个指向 pdf 文件的 URL，但我想在请求标头中传递一些附加参数以及代理，如果有任何方法可以在read_pdf中传递所有这些参数，则可以使用请求模块轻松完成可以做到的功能。

最近我尝试使用 tabula 来解析 pdf 中的表格，该表格的每个字段中都不包含任何行。

这导致创建一个列表，将所有不同的字段组合成一个（输出示例）。

如何将此单个字符串转换为数据框，以便我可以操纵数字？非常感谢

是否可以使用 tabula-py 从 PDF 中提取表格和文本？

PDF 的顶部如下所示：

使用此代码：

它在获取表格方面做得很好，但我也想获取文本行“最后更新：2016 年 7 月 25 日”。

有没有一种方法 tabula-py 可以一次性为我做到这一点，还是我需要解析文件两次，一次使用 tabula-py，第二次使用不同的包来读取文本？我尝试了 lattice= 和 stream= 的不同组合，但没有成功。

（虽然在我的示例中，日期也是链接的一部分，但情况并非总是如此，所以我不能依赖它，需要从 PDF 中获取日期）。