pandas - PySpark Tabula-Py Read_PDF(错误 : No module named 'org.apache.commons' )

Question

我在 Azure 中运行管道已有 4 个月了，昨晚它突然崩溃了。我有以下代码:

!pip install tabula-py
from tabula.io import read_pdf
import tabula
df = tabula.io.read_pdf(BytesIO(pdf_content), pandas_options={'header': None}, pages=3, stream=True)[0]

我现在突然收到这个错误:

~/cluster-env/env/lib/python3.8/site-packages/tabula/io.py in __init__(self, java_options, silent)
     92 
     93         from java import lang
---> 94         from org.apache.commons import cli
     95         from technology import tabula
     96 

ModuleNotFoundError: No module named 'org.apache.commons'

如有任何帮助，我们将不胜感激。

Answer 1

在 tabula 顺利运行 6 个月后，今天在 databricks 环境中也发生了同样的事情。我的修补程序是 pip 安装版本 2.7.0，因为我认为该错误是由今天发布的最新版本 2.8.1 引起的。