Tabula-py无法正确分离列。

Question

我刚刚发现了tabula-py（当然还有tabula-java），可以从pdf中提取表格。我正在编写一个脚本，从pdf表格中读取一些数据，对其进行简单的清理，然后将其导出到excel中。我使用的pdf每天都有相同的格式，并且表格总是在特定区域。为了检测该区域，我使用tabula.exe：我选择表格，可视化预览（看起来很好），然后导出脚本，以查看tabula.exe使用的-a参数。然后在Python命令中使用它，如下所示：

df = tabula.read_pdf(os.fsdecode(directory)+filename, encoding = 'ISO-8859-1',
stream=True, area = "81.106,302.475,384.697,552.491", pages = 2, pandas_options={'header':None})

我使用了编码参数，因为标准的utf-8会返回错误，并且使用流方法，因为它是在tabula.exe中显示漂亮提取表格的方法。然而，数据框存在一个问题，因为前两列（在tabula.exe预览中正确显示为2个不同的列）实际上是一列，导致名称和值混合在一起。

您知道为什么相同的区域在tabula-py和tabula.exe中产生了两个不同的结果吗？非常感谢！

- giga

Answer 1

在GitHub上找到了解决方法：tabula-py默认设置为“guess”选项为True。因此，要纠正差异，只需添加guess=False，输出将相同！

    df = tabula.read_pdf(os.fsdecode(directory)+filename, encoding = 'ISO-8859-1', 
         stream=True, area = "81.106,302.475,384.697,552.491", pages = 2, guess = False,  pandas_options={'header':None})

- giga

Answer 2

如果有人对于如何划分表格和列感到困惑，可以使用Adobe Acrobat轻松找到精确的尺寸。在Adobe Acrobat中打开pdf文件，打开标尺，并将其设置为点。放大视图，您可以看到精确的点测量值，以便划分区域/表格。

- MinneapolisCoder9