Tabula-py 跳过 PDF 的第一页并遗漏了一些表格数据

Question

我正在使用 Python (3.8.1) 和 tabula-py (2.1.0) (https://tabula-py.readthedocs.io/en/latest/tabula.html#tabula.io.build_options) 从基于文本的 PDF 文件（AWS 月度账单报告）中提取表格。

下面是显示了 PDF 文件的示例（第一页底部和第二页顶部）。

Python 脚本如下所示：

from tabula import read_pdf
from tabulate import tabulate

df = read_pdf(
   "my_report.pdf",
   output_format="dataframe",
   multiple_tables=True,
   pages="all",
   silent=True,
   # TODO: area = (x_left, x_right, y_left, y_right) # ?
)

print(tabulate(df))

生成以下输出：

---  ---------------------------------------------------------------------------  ---------------------  ---------
  0  region                                                                       nan                    nan
  1  AWS CloudTrail APS2-PaidEventsRecorded                                       nan                    $3.70
  2  0.00002 per paid event recorded in Asia Pacific (Sydney)                     184,961.000 Events     $3.70
  3  region                                                                       nan                    nan
  4  Asia Pacific (Tokyo)                                                         nan                    $3.20

我的想法是必须正确设置 area 选项，因为有时会省略顶部和最左侧的数据。是这样吗？如果是，如何在 PDF 文件中找到所有表格数据的正确区域？

提前致谢。

Answer 1

尝试使用参数“guess=False”。

Answer 2

我设法通过扩展正在搜索的数据的位置来解决这个问题：

# get locations from page 2 data:
tables = read_pdf("my_report.pdf", output_format="json", pages=2, silent=True)
top = tables[0]["top"]
left = tables[0]["left"]
bottom = tables[0]["height"] + top
right = tables[0]["width"] + left
# Expand location borders slightly:
test_area = [top - 20, left - 20, bottom + 10, right + 10]

# Now read_pdf gives all data with the following call:

df = read_pdf(
   "my_report.pdf",
   multiple_tables=True,
   pages="all",
   silent=True,
   area = test_area
)