如何在 tabula-py 中设置页面范围？

Question

在 Python 3 中，我有一个 PDF 文件 "Ativos_Fevereiro_2018_servidores.pdf" 有 6,041 页。我在 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字，两行。在 table 下方，带有 header 和两列。每行table36行，少了最后一页

在每一页的末尾，在table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 tables。并忽略 tables

前后的文本

为了避免 java-memory 错误，我想将文件分成 300 页一组。我在 tabula-py:

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

请问如何更正范围错误？

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))

其他一些事情：

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 Exception as e: print('Error in range ', 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）
我没有遇到任何问题运行使用 python 2.7 / Java 1.8（在 64GB RAM 机器上）一次所有 6041 页

如何在 tabula-py 中设置页面范围？

How to make page range in tabula-py?

python

pandas

pdf

range

tabula