python - 如何在 tabula-py 中设置页面范围？

Question

在 Python 3 中，我有一个包含 6,041 页的 PDF 文件“Ativos_Fevereiro_2018_servidores.pdf”。我在装有 Ubuntu 的机器上。文件在这里:https://drive.google.com/file/d/1P8kF0gUOVls6sOGed4R0C2PlVF5RFtU6/view?usp=sharing

在每一页的顶部都有文本，两行。在表格下方，带有标题和两列。每张表36行，最后一页少

在每一页的末尾，在表格之后，还有一行文字

我想从这个 PDF 创建一个 CSV，只考虑页面中的表格。并忽略表格前后的文字

为了避免 java 内存错误，我想将文件分成 300 页为一组。我在 tabula-py 中这样做了:

import tabula
import pandas as pd


dfs = []

for i in range(1,6041, 300):
    if i != 1:
        i = i + 1

    i2 = i + 300

    if i2 > 6041:
        i2 = 6041

    print(i)
    print(i2)

    try:
        df = tabula.read_pdf("Ativos_Fevereiro_2018.pdf", encoding='latin-1', spreadsheet=True, pages='i-i2', header=0)
        dfs.append(df)
        print('Page ', len(df), ' parsed.')
    except:
        print('Error on page: ', i)

output = pd.concat(dfs)
output.to_csv('servidores_rj_ativos_fev_18.csv', encoding='utf-8', index=False)

但是我做的范围是错误的:

1
301
Error: Syntax error in page range specification
Error on page:  1
302
602
...
Error: Syntax error in page range specification
Error on page:  5702
6002
6041
Error: Syntax error in page range specification
Error on page:  6002
Traceback (most recent call last):
  File "roboseguranca_pdftocsv.py", line 26, in <module>
    output = pd.concat(dfs)
  File "/home/reinaldo/Documentos/Code/intercept/seguranca/lib/python3.6/site-packages/pandas/core/reshape/concat.py", line 212, in concat
    copy=copy)
  File "/home/reinaldo/Documentos/Code/intercept/seguranca/lib/python3.6/site-packages/pandas/core/reshape/concat.py", line 245, in __init__
    raise ValueError('No objects to concatenate')
ValueError: No objects to concatenate

请问，我该如何纠正范围错误？

Answer 1

要使范围起作用，您必须将其作为字符串传递，因此将整数转换为字符串并将它们与“-”组合:

pages=(str(i)+'-'+str(i2))

一些其他的东西:

• 在 tabula.read_pdf 语句中也使用 encoding='utf-8'
• 如果您还想查看抛出的错误，请扩展 except 语句，例如:

except 异常为 e: print('范围错误', i, '-', 'i2: ', e)

• 如果仍然是 Java 错误(tabula 使用 java 进行解析)，您可以添加一些 java_options='something...'(参见 https://github.com/tabulapdf/tabula-java/blob/master/README.md)
• 我使用 python 2.7/Java 1.8(在 64GB RAM 机器上)同时运行所有 6041 个页面没有问题