问题描述
使用 python 的 tabula 包,我试图从多个 pdf 文件中提取表格。这对于多行表格非常有效,但是,某些 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。这些文件有问题是有道理的,因为单行表格本质上只是另一行文本。
然而,重要的是这些 pdf 也被转换为数据帧,因为它们在我的数据集中出现相当频繁。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。下面是执行转换的代码行。
df = tabula.read_pdf(DIRECTORY + file_name,pages = 'all',pandas_options={'header': None},encoding="utf-8")
我尝试通过多种方式解决此问题。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 (https://tabula-py.readthedocs.io/en/latest/faq.html#i-got-a-empty-dataframe-how-can-i-resolve-it) 上的提示:
- 设置特定区域以进行准确的桌子检测。
- 对于具有显式线条的表格,尝试lattice = True 选项。
- 尝试流 = True 选项
按照第一个提示,我尝试使用在 Adobe 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技巧,这再次返回了一个空列表。
所以我的问题是:“有没有办法让 tabula-py 包识别 pdf 中只有一行的表格?”
我希望有人知道如何解决这个问题。预先感谢您的努力。
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)