标签: tabula

我有使用tabula-py读取pdf的python代码以提取文本，然后通过tabula-py将其更改为表格形式。但这给了我一个警告。

Nov 15, 2017 3:40:23 PM org.apache.pdfbox.pdmodel.font.PDSimpleFont toUnicode
WARNING: No Unicode mapping for .notdef (9) in font Helvetica

此警告是tabula-py，并且Tabula-py用Java编写。因此，我不能简单地使用-W ignore抑制上述警告。

有什么方法可以消除或抑制以上警告。

在Python 3中，我有一个PDF文件“ Ativos_Fevereiro_2018_servidores_rj.pdf”，具有6,041页。我在使用Ubuntu的计算机上

在每个页面的顶部，两行都是文本。在表格下方，带有标题和两列。每个表36行，最后一页较少

在每页末尾，表格之后，还有一行文字

我想从此PDF创建CSV，只考虑页面中的表格。并忽略表格前后的文字

最初，我测试了表格。但是它生成一个空文件：

from tabula import convert_into

convert_into("Ativos_Fevereiro_2018_servidores_rj.pdf", "test_s.csv", output_format="csv")

拜托，有人知道这种方法可以使用tabula-py吗？

还是将这种文件类型的PDF转换为CSV的另一种方法？

我们可以选择通过指定PDF坐标来从PDF文档中提取表格.对于Windows用户,为了获取坐标,您必须将PDF文件上传到Tabula网页并导出包含坐标的脚本,然后将坐标输入到您的代码中.对于Mac用户,您只需使用预览应用程序和裁剪检查器.我只是想知道是否有任何第三方程序或插件为Windows用户提供此功能？我认为在下列情况下这会很方便:

1. 当您没有互联网接入时.
2. 我认为预览应用程序将更准确,因为我遇到了Tabula网页生成的不准确的坐标.

如果有人能指出我能找到这样的东西,将不胜感激.非常感谢.

我正在开发发票解析器，它从 pdf 或图像格式的发票中提取数据。它适用于具有非表格数据的简单 pdf，但提供了大量输出数据以使用包含表格的 pdf 进行处理。我无法获得有效的通用解决方案为此，我尝试了以下库

Invoice2Data : 基于模板。到目前为止，它在json格式中给出了相当好的结果。但是包含动态表的复杂pdf的模板创建很复杂。

塔布拉：表提取是基于表中的坐标是extracted.If数据表中的增加在这种情况下，给出错误的结果表长度的增加并因此坐标changes.So。

Pdftotext：它将任何 pdf 转换为文本，但格式需要我们不想要的大量解析。

Aws_Textract 和 Elis_Rossum_Ai：以 json 格式给出所有数据。但如果表列包含多行，那么 json 解析变得困难。即使给出的 json 解析的大小也很大。

正方体：与 pdftotext.Complex pdf 相同，不可解析。

除了所有这些或与上述库的组合之外，是否有人能够解析复杂的 pdf 数据，请帮忙。

一个.py程序可以工作，但完全相同的代码，当作为 API 公开时，却无法工作。

该代码使用 Tabula 读取 pdf 并提供表格内容作为输出。

我试过了 ：

import tabula
df = tabula.read_pdf("my_pdf")
print(df)

和

from tabula import wrapper
df = wrapper.read_pdf("my_pdf")
print(df)

我在运行 Ubuntu 的 AWS EC2 上安装了 tabula-py（不是 tabula）。

不仅仅是 read_pdf，我实际上想转换为 CSV 并给出输出。但这也行不通。我得到相同的无属性错误，即module 'tabula' has no attribute 'convert_into。

.py 文件和 API 文件（.py 也是如此）位于同一目录中，并由同一用户访问。

任何帮助将不胜感激。

编辑：我试图从 API 运行与操作系统命令 ( os.system("python3 /home/ubuntu/flaskapp/tabler.py"))相同的 python 文件。但它也没有奏效。

我正在尝试使用 Tabula-py 来阅读 pdf。我通过安装 tabula-pypip install tabula-py

我还安装了所需的依赖项

requests
pandas
pytest
flake8

我的代码目前如下：

import tabula
import pandas as pd

df = tabula.read_pdf("report.pdf", pages=2)
print(df)

我收到以下错误：

Traceback (most recent call last):
File "tabula_pdf_reader.py", line 1, in <module>
  import tabula
ImportError: No module named tabula

我在这里缺少什么输入？

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它忽略了表格单元格内的某些内容和内容没有以正确的方式分离。

我的 PDF 有这样的内容

 DATE :1/1/2018         ABCD                   SCODE:FFFT
                       --ACCEPTED--
    USER:ADMIN         BATCH:RR               EEE
    CON BATCH
    =======================================================================
    MAIN SNO SUB  VALUE DIS %
    R    12   rr1 0125  24.5
            SLNO  DESC  QTY  TOTAL  CODE   FREE
            1     ABD   12   90     BBNEW  -NILL-
            2     XDF   45   55     GHT55  MRP
            3     QWE   08   77     CAT    -NILL-
    =======================================================================
    MAIN SNO SUB  VALUE DIS %
    QW    14   rr2 0122  24.5
            SLNO  DESC  QTY  TOTAL  CODE   FREE
            1     ABD …

Camelot 是一个很棒的 Python 库，用于从 pdf 文件中提取表格作为数据框。但是，我正在寻找一种解决方案，该解决方案还返回写在表格正上方的表格描述文本。

我用来从 pdf 中提取表格的代码是这样的：

import camelot
tables = camelot.read_pdf('test.pdf', pages='all',lattice=True, suppress_stdout = True)

我想提取表格上方写的文本，即THE PARTICULARS，如下图所示。

对我来说最好的方法应该是什么？感谢任何帮助。谢谢

我正在尝试从网站上提供的 PDF 中获取数据

https://usda.library.cornell.edu/concern/publications/3t945q76s?locale=en

例如，如果我查看 2019 年 11 月的报告

https://downloads.usda.library.cornell.edu/usda-esmis/files/3t945q76s/dz011445t/mg74r196p/latest.pdf

我需要第 12 页上的玉米数据，我必须为期末库存、出口等创建单独的文件。我是 Python 新手，我不知道如何单独抓取内容。如果我能用一个月的时间弄清楚，那么我就可以创建一个循环。但是，我对如何继续处理一个文件感到困惑。

有人可以帮我吗，TIA。

我已经安装了 tabula 库，用于使用 python 将 pdf 读取到 pandas 数据框中。但是当我运行代码时

import tabula
df=tabula.read_pdf("sample1.pdf",pages='1')

我得到了例外。

SEVERE: Cannot read JPEG2000 image: Java Advanced Imaging (JAI) Image I/O Tools are not installed

我尝试过的解决方案：

1. 重新安装 Java JDK 并确保将其添加到路径中（使用 java-version 进行验证）
2. 从此链接安装了 Java 高级成像工具并重新启动了我的系统
3. 卸载和安装 tabulapip install tabula-py

如果我忽略了什么，请告诉我。