如何使用tabula将PDF表格提取到dataframe中

Question

我正在尝试提取PDF文件的“内容”页面(例如，第2页)作为一个表，并提出一个数据帧来跟踪项目与其对应的起始页码。一些人建议使用"Tabula“。我尝试了几行，但似乎要么找不到read_pdf模块，要么得到一个空的数据帧。感谢任何帮助，让它工作？

from tabula import wrapper 

myfile='http://www.hkexnews.hk/listedco/listconews/SEHK/2017/0410/LTN201704101126_C.pdf‘

df = wrapper.read_pdf(myfile)

Answer 1

from tabula import read_pdf

File = "ArchivedResults/LTN201704101126_C.pdf"

df = read_pdf(File, pages=2, guess=False, columns=(248, 385))
print(df)



    Unnamed: 0          目錄
0            2        公司資料
1            3        財務概要
2            4        主席報告
3           11    管理層討論及分析
4           27       董事會報告
5           66      企業管治報告
6           86  環境、社會及管治報告
7          100     獨立核數師報告
8          109       綜合收益表
9          110     綜合全面收益表
10         111     綜合財務狀況表
11         114     綜合權益變動表
12         116     綜合現金流量表
13         118    綜合財務報表附註
14         227          釋義

当你只有2列时，Tabula在查找表格时似乎遇到了问题。解决方案是关闭自动查找表选项(guess=False)，然后指定列的位置(请注意，您只指定了列之间的空格，但必须至少指定2，因此我将第二个列分隔符设置为超过最后一列的任意距离)。一些用户可能需要指定和区域(area=(顶部、左侧、底部、右侧))，但对于您的示例来说，这不是必需的。