问题标签 [tabula-py]

我正在使用 tabula-py 在 python 中读取我的课程时间表 PDF 文件，返回值“数据”有很多我似乎无法清理的“南”值。有人可以提出解决方案吗？我应该使用一些东西而不是 tabula-py 吗？ 我已附上 PDF 图片的链接。为了隐私，我已经从 PDF 中编辑了一些信息。1

我的代码如下：

我的输出如下：

另外，什么是'。. 。意思是？

我的任务是从 PDF 中提取表格，然后从表格中读取数据。我曾尝试使用 tabula 和 panda 库，但我得到一个空值这里是代码： import tabula as tb import pandas as pd

file_path = "SDII006756_2_Amlodipine_besilate_Valsartan_Hydrochlorothiazide___intermediate_product__Balkanpharma_Dupnitsa_AD.pdf" table = tb.read_pdf(file_path)

Convert_csvFile = tb.convert_into(file_path,'pdfconvert.csv') df = pd.concat(table)

excel_convertinto = df.to_excel('pdfconvert.xlsx')

它抛出的错误如下：

'pages' 参数未指定。默认情况下仅从第 1 页提取。'pages' 参数未指定。默认情况下仅从第 1 页提取。回溯（最后一次调用）：文件“C:\Users\vdash\source\repos\MyWorkOnPython\pdfextraction.py”，第 8 行，在 df = pd.concat(table) 文件“C:\Users\vdash\AppData \Local\Programs\Python\Python39\lib\site-packages\pandas\core\reshape\concat.py"，第 285 行，在 concat op = _Concatenator( 文件 "C:\Users\vdash\AppData\Local\Programs\ Python\Python39\lib\site-packages\pandas\core\reshape\concat.py"，第 342 行，在init中 引发 ValueError("No objects to concatenate") ValueError: No objects to concatenate

为什么即使pdf包含表格，它也说没有对象。

我在没有先安装 JRE 的情况下安装了 tabula-py ...我后来安装了 JRE

能够使用 tabula-py 有什么不同吗？或者我应该卸载 tabula-py 并重新安装它？

使用 python 的 tabula 包，我试图从多个 pdf 文件中提取表。这对于多行表格非常有效，但是，一些 pdf 文件的表格只有一行。尝试转换这些 pdf 时，它返回一个空列表。这些文件存在问题是有道理的，因为单行表本质上只是另一行文本。

但是，重要的是这些 pdf 也被转换为 DataFrame，因为它们在我的数据集中出现得相当频繁。不幸的是，pdf文件是专有的，所以我不能在这里展示它们。我希望这个限制不会阻止找到解决方案。下面是进行转换的代码行。

我试图以几种方式解决这个问题。首先，我尝试在源代码的原始 pdf 文件中插入额外的一行，不幸的是，这是不可能的。我尝试使用 tabula-py 网站上的提示（https://tabula-py.readthedocs.io/en/latest/faq.html#i-got-a-empty-dataframe-how-can-i-resolve-它）：

1. 设置特定区域以进行准确的表格检测。
2. 为具有显式行的表尝试 lattice = True 选项。
3. 尝试流 = True 选项

按照第一个提示，我尝试使用在 Adob​​e 中进行的测量来指定一个区域。这仍然返回一个空的 DataFrame。我尝试了第二个和第三个提示，这又返回了一个空列表。

所以我的问题是：“有没有办法让 tabula-py 包识别 pdf 中只有一行的表？”

我希望有人知道如何解决这个问题。提前感谢您的努力。

我正在使用 tabula-py 从 PDF 中提取表格。但是在一些行多于一行的表中，但是在tabula-py中，单表行在DataFrame中被转换为多行。我在这里给出一个样本。

如果您查看示例，您将看到 9、10 和 11 索引中的行实际上是单行。表格中有多行（pdf格式）。该表有 100 多行，并且至少有 12 个地方发生了这些问题。有些地方是连续 2 行，有些地方是连续 3 行。我们如何将这些行与索引值合并？

我正在使用 for 循环来处理整个 pdf 文件夹，这些文件夹被转换为 csv 文件。

这是我的日志：

该代码似乎运行文件夹中 63 个文件中的两个，然后由于此错误而结束。感谢您的帮助！

我正在尝试将文档的特定部分作为表格读取。它的结构是一个表格，但在单元格、行或列之间没有分界线。

我成功地使用了read_pdf()带有areaandcolumn参数的方法。我可以准确地指定表格的开始和结束位置以及列的划分位置。

但是我的 pdf 在每个页面上都有多个不同大小的表格，没有明确的标记来识别它们，我必须使用这些参数。

我在这里read_pdf_with_template()的 Github repo 问题中找到了该方法，并在文档、拉取请求和示例笔记本中找到了更多关于它的信息。

但是没有任何地方提到如何构建teamplate.json以及我可以使用哪些参数或它们的含义。

我尝试将area坐标插入到x1, y1, x2, y2，在方法参数中传递列列表，并height在width表的大小中传递参数。

但它正在拾取 pdf 的顶部中心部分，这不等于我在反向计算所有内容时插入的任何坐标。

这是我要阅读的页面（我删除了一些敏感数据）

这是代码片段

我正在尝试转换 pdf 文件并将其保存到 Django 模型字段。到目前为止，我能够将文件转换为 CSV 数据框，我能够读取标题和数据。但是，我遇到了一个小障碍，因为该表有 1 行包含大量数据，并且标题已过时，因此它们会随着时间而变化。

这是pdf中表格的片段：

这是我到目前为止所做的：

我想做的就是将列与其相应的数据匹配以将其用作 JSON。

我正在尝试使用解析pdf，tabula-py但我不断收到此错误堆栈-

这是代码 -

当我尝试通过命令行解析pdf时，它可以工作

我的Pipfile长相是这样的

请问可能是什么问题？

我目前在 jupyter 笔记本上使用制表符将 45 页的 .pdf 文件转换为 .csv 文件。pdf 中的每一页都有一个类似的数据表，但是由于某种原因，我的代码仅在生成的 .csv 文件中输出第 33 页的数据。