如何在 tabula-py 中制作页面范围？

Question

在 Python 3 中，我有一个包含 6,041 页的 PDF 文件“Ativos_Fevereiro_2018_servidores.pdf”。我在一台装有 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。在一个表格下方，带有标题和两列。每张表36行，最后一页少

在每一页的最后，表格之后，还有一行文字

我想从此 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，我想我会将文件分成 300 页的组。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，如何纠正范围错误？

Answer 1

为了使范围工作，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))

其他一些事情：

• 在tabula.read_pdf 语句中也使用encoding='utf-8'
• 如果您也想查看引发了什么错误，请扩展 except 语句，例如：

except Exception as e: print('Error in range ', i, '-', 'i2: ', e)

• 如果是 Java 错误（tabula 使用 java 进行解析），可以添加一些java_options='something...'（参见https://github.com/tabulapdf/tabula-java/blob/master/README.md）
• 使用 python 2.7 / Java 1.8（在 64GB RAM 机器上）一次运行所有 6041 个页面没有问题