Tabula-py字体未实现错误

Question

PDF文件内容是中文（字符，而不是图片等），因此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上找不到任何想法。我应该如何解决这个问题？是否需要导入一些字体或者还有其他原因导致了这个错误？

- Mark

---

“OpenType Layout”消息是无关紧要的，它是用于PDF创建的。您应该分享PDF文件。 - Tilman Hausherr

Answer 1

我理解你的痛苦。然而，我通过类似于你的步骤获取了数据框（df）中的数据。为了进行故障排除，请查看返回的df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)

由于您设置了 pages="all"，所以您的 df 可能是一个包含多个 df 的列表，需要查看列表中的每个 df 才能找到数据的证据。

另外，如果 tabula.read_pdf 的 multiple_tables 参数设置为 True，则 df 也将是一个包含多个 df 的列表，同样需要查看列表中的每个 df 才能看到您的数据。

- Thom Ives