Tabula-py字体未实现错误

Question

PDF文件的内容是中文(字符，而不是图片等)，因此它可能使用不同的字体。我的代码：

>>> import tabula
>>> df = tabula.read_pdf('/data/proj/smartinvestment/cninfo_download_reports/pdf/601101/2016-12-29/1202969937.PDF', pages='all')

错误：

Feb 02, 2018 6:44:34 PM org.apache.pdfbox.pdmodel.font.PDCIDFontType2 <init>
INFO: OpenType Layout tables used in font ABCDEE+ËÎÌå are not implemented in PDFBox and will be ignored

最终的DataFrame为空。

我在stackoverflow中找不到任何想法。我如何解决这个问题？我是不是应该导入一些字体，或者是否有其他原因导致了这个错误？

Answer 1

我能感受到你的痛苦。但是，我在我的dataframe (df)中获取数据的步骤与您的相似。要进行故障排除，请查看返回的df的类型：

import tabula

pdf_file_name = "my_filename.pdf"
df = tabula.read_pdf(pdf_file_name,
                     encoding='Ansi') # or encoding='utf-8'

print(type(df))
# df.to_csv("output.csv", index=False)

很有可能，由于您拥有pages="all"，所以您的df是df的列表，这将要求您查看列表中的每个df以查看数据的证据。

此外，如果tabula.read_pdf的multiple_tables参数设置为True，则df将是一个df列表，同样，这也要求您查看列表中的每个df以查看数据。