如何将指定PDF转换为DataFrame？解决tabula-py返回NaN问题

方法1：读取阶段跳过空白行 #

调用read_pdf时启用skip_blank_lines参数，直接跳过PDF中的空白行，避免生成全NaN的行：

from tabula import read_pdf

# 读取指定PDF文件
df_2018 = read_pdf("2018.pdf", pages="all", skip_blank_lines=True)
df_2021 = read_pdf("2021.pdf", pages="all", skip_blank_lines=True)

方法2：读取后清理全NaN行 #

如果读取后仍残留全NaN行，用pandas的dropna方法删除所有值均为NaN的行：

# 清理单个DataFrame并重置索引
df_2018_cleaned = df_2018.dropna(how="all").reset_index(drop=True)
df_2021_cleaned = df_2021.dropna(how="all").reset_index(drop=True)

方法3：指定表格读取区域 #

若PDF中空白区域被误识别为表格行，可通过area参数限定读取的坐标范围（坐标可通过tabula.interactive()启动GUI工具获取）：

# 示例：替换为实际PDF的表格坐标（格式：[顶部, 左侧, 底部, 右侧]）
df_2018 = read_pdf(
    "2018.pdf",
    pages="all",
    area=[50, 20, 700, 800],
    skip_blank_lines=True
)

方法4：精准指定列分隔 #

关闭自动表格识别（guess=False），配合columns参数手动指定列分隔的横坐标，减少空白行误判：

df_2018 = read_pdf(
    "2018.pdf",
    pages="all",
    guess=False,
    columns=[100, 250, 400, 550],  # 替换为实际列分隔的横坐标
    skip_blank_lines=True
)

内容的提问来源于stack exchange，提问作者emiley mille