python - Tabula-py 字体未实现错误

Question

PDF文件内容是中文(文字，不是图片等)，所以可能会使用不同的字体。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 是空的。

我无法从 stackoverflow 中找到任何想法。我该如何解决这个问题？我应该导入一些字体还是有任何其他原因导致此错误？

Answer 1

我感受到了你的痛苦。但是，我在我的数据框 (df) 中获取数据，执行与您类似的步骤。要排除故障，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，由于您有 pages="all"，您的 df 是 df 的列表，这将需要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 df 的列表，同样，这也需要您查看列表中的每个 df 以查看您的数据。