Lattice设置为True时，表格py不会读取PDF的所有行，每行都有交替的颜色

Question

我正在尝试从此处附带的PDF中提取所有行。

这是我使用的代码：

def parse_latticepdf_pages(pdf):
pages = read_pdf(
pdf,
pages = "all",
guess = False,
lattice = True,
silent = True,
area = [43, 5, 568, 774], 
pandas_options = {'header': None}
)

return pd.concat(pages)
parse_latticepdf_pages(pdf = "file.pdf")

输出仅显示那些背景颜色为灰色的行。伊特不显示白色背景色的行。如何获取所有行，而不管这些行的颜色如何？

注意：最初我尝试了stream=True，但这导致了其他问题，每一行都显示为单独的行，无法根据需要对行进行分组。因此，我设置Lattice=True。此外，启用和不启用multiple_tables会返回相同的问题。

如果能提供任何帮助，我将不胜感激。非常感谢。

Answer 1

我终于解决了这个问题。对于这种特定的PDF格式，最好使用其他python包，如PyMuPDF。我在StackOverflow的另一篇帖子上发布了一个类似的问题。我在这里发布链接。希望这能帮助其他同样难以找到解决问题的方法的人。

使用PyMuPDF对从PDF中提取的文本进行数据包装可能吗？(每行交替使用颜色(-位于每行中间的文本

Answer 2

不确定发生了什么，但确认它与multiple_tables=False选项一起工作，如下所示：

In [41]: tabula.read_pdf(fname, pages=1, lattice=True, area = [43, 5, 568, 774], multiple_tables=False)
Out[41]:
[  Issued Date      Permit No.  ...                                       Proposed Use       Valuation
0    4/1/2019  P025361-032119  ...  New office and restroom addition to existingr...      $45,000.00
1   4/12/2019  P025502-041219  ...  Isolate chapel from fire damaged area 4000 sq....       $1,000.00
2   4/12/2019  P025487-041019  ...  Interior finish-out for new meat market 2500r...      $35,000.00
3   4/15/2019  P025520-041519  ...       New 8-unit apartment building 10,800 sq. ft.     $350,000.00
4   4/25/2019  P025101-020719  ...                New Five Story Hotel 93,501 sq. ft.  $12,327,000.00
5    4/9/2019  P025475-040919  ...                 Mobile Home Placement 1216 sq. ft.       $1,250.00
6    4/9/2019  P025477-040919  ...                 Mobile Home Placement 1216 sq. ft.       $1,250.00
7    4/9/2019  P025479-040919  ...                 Mobile Home Placement 1216 sq. ft.       $1,250.00
8    4/8/2019  P025459-040519  ...                                   Build a carport.       $1,000.00
[9 rows x 7 columns]]

不过，这可能会导致page="all"出现另一个问题。