问题标签 [tabula]

我已经尝试了堆栈溢出和外部的大部分内容

问题：我有一个包含内容和表格的 pdf。我还需要解析表格和内容。

APIs： https ://github.com/tabulapdf/tabula-java 我正在使用tabula-java它忽略了一些内容，并且表格单元格内的内容没有以正确的方式分离。

我的 PDF 有这样的内容

要转换的表格代码：

tabula 甚至支持命令行界面

我尝试使用-c,--columns <COLUMNS>表格，它通过列边界的 X 坐标获取单元格

但问题是我的 pdfs 内容是动态的。即表大小已更改。

堆栈溢出中的这些链接和更多的力对我有用。

如何使用 tabula-py 将 PDF 转换为 CSV？

如何从命令行将 PDF 中的表格数据提取为 CSV？

在 Java 中将 PDF 转换为 Excel

如何将 pdf 文件转换为 CSV 文件？

itext 将 PDF 转换为 csv

解析 PDF 表格并将其显示为 CSV(Java)

我使用了 pdf 框，它提供了未格式化的文本，我无法正确读取表格内容。

可以使用 java将带有表格的 pdf 转换为csv/excel，而不会丢失内容和格式。

我不想使用付费图书馆。

我已经安装了 Java 并设置了路径，我可以从命令行成功执行 java -version 和 javac -version。当我尝试运行以下脚本时，出现错误。

错误是

我安装了 tabula-py 并检查了 tabula 不存在。

有任何想法吗？？

如果表格分布在多个页面上并且水平边框被剪切，因此我无法使用表格将 PDF 文件中的表格作为数据框读取，因此它不会被识别为表格。我该如何解决这个问题？我可以仅使用垂直线检测表格吗？

也尝试了新包 camelot，但再次无法阅读该列。

我只能在示例 pdf 中检测到一个表，未检测到 2x2 表

示例 pdf 链接：https ://onedrive.live.com/?id=690704CAD1449D85%21105&cid=690704CAD1449D85

我需要从 pdf 中提取表格。这是链接

https://www.acea.be/uploads/statistic_documents/ACEA_Report_Vehicles_in_use-Europe_2018.pdf

我想要这个 pdf 中的第一个表。

这是我的代码

但在 2012、2013、2015、2016 年的 o/p 列中，正在追加到一列中。我想要 pdf 文件中的表格。

我的代码的o/p。

我有一个使用 tabula.read_pdf 的脚本。脚本工作正常，但是当我使用 PyInstaller（带有 --noconsole 选项）构建一个 exe 文件并运行我的脚本时 - 它会打开 java.exe 空控制台窗口，该窗口在脚本工作完成之前一直保持打开状态。我怎样才能避免它？谢谢

我正在尝试使用 Tabula 从 PDF 表中提取数据框。我把所有的数据都混在一起了，我很难订购它。谁能指出我的语法不正确？

表格的图像和我的 Python 会话的输出：

^{（点击图片放大）}

代码：

有问题的数据框正在使用 Tabula 从 pdf 文件中读取并在错误的位置获取一些列。它看起来像这样：

我不确定为什么会这样，但问题很明显，在此数据帧的最后几行中，格式不再正确读取，并开始忽略空单元格并将数据向左移动。我想做的是移动第 2 行和第 3 行，以便它们正确地定向到列。最终结果应该是：

我想不出一种不包括过于复杂和低效的方法来做到这一点。

我正在使用 tabula.convert_into csv，它可以很好地抓取所有内容，但文本如下：

“DEV__HH WorldSummit 重新估计”

在 PDF 中变成（DEV 和 HH 之间有 2 个空格）

csv 中的“DEVHH WorldSummit Re Estimates”

我已经尝试了 encoding='utf-8' 和其他库，例如 pypdf2，但 tabula 给了我迄今为止最好的结果。这只是我需要解决的一件奇怪的事情。

我正在使用 tabula 读取 pdf 表，但得到文件未找到错误，我尝试使用 chardet ( https://pypi.org/project/chardet/#files ) 查找是否有任何编码问题，但编码为 None .

FileNotFoundError Traceback（最近一次调用最后）~\Anaconda3\lib\site-packages\tabula\wrapper.py in read_pdf(input_path, output_format, encoding, java_options, pandas_options, multiple_tables, **kwargs) 107 try: --> 108 output = subprocess.check_output(args) 109

~\Anaconda3\lib\subprocess.py in check_output(timeout, *popenargs, **kwargs) 388 return run(*popenargs, stdout=PIPE, timeout=timeout, check=True, --> 389 **kwargs).stdout 390

~\Anaconda3\lib\subprocess.py in run(input, capture_output, timeout, check, *popenargs, **kwargs) 465 --> 466 with Popen(*popenargs, **kwargs) as process: 467 try:

~\Anaconda3\lib\subprocess.py in init（self、args、bufsize、可执行文件、stdin、stdout、stderr、preexec_fn、close_fds、shell、cwd、env、universal_newlines、startupinfo、creationflags、restore_signals、start_new_session、pass_fds、编码、错误，文本）768 errread，errwrite，--> 769 restore_signals，start_new_session）770 除了：

~\Anaconda3\lib\subprocess.py in _execute_child（self，args，executable，preexec_fn，close_fds，pass_fds，cwd，env，startupinfo，creationflags，shell，p2cread，p2cwrite，c2pread，c2pwrite，errread，errwrite，unused_restore_signals，unused_start_new_session） 1171
os.fspath(cwd) 如果 cwd 不是 None else None, -> 1172 startupinfo) 1173 最后：

FileNotFoundError: [WinError 2] 系统找不到指定的文件

在处理上述异常的过程中，又出现了一个异常：

----> 1 df = read_pdf('C:\Users\YQ\IPA.pdf') 2 df 中的 JavaNotFoundError Traceback（最近一次调用最后一次）

~\Anaconda3\lib\site-packages\tabula\wrapper.py in read_pdf(input_path, output_format, encoding, java_options, pandas_options, multiple_tables, **kwargs) 109 110 除了 FileNotFoundError as e: --> 111 raise JavaNotFoundError(JAVA_NOT_FOUND_ERROR) 112 113 除了 subprocess.CalledProcessError 作为 e：

JavaNotFoundError：java从这个 Python 进程中找不到命令。请确保已安装 Java 并设置了 PATHjava

在 Python 中使用 tabula 从 pdf 导入数据时，在某些情况下，我会获得合并为一列的两列或多列。从同一个 pdf 获得的所有文件都不会发生这种情况。

在这种情况下，这是用于读取 pdf 的代码：

例如，当我打印从其中一个名为“output_pd”的 Excel 文件中获取的数据框的第一项时：

我得到：

这五个数字在一个列中，所以我不能单独对待它们。在这些情况下是否可以改进数据处理？