使用tabula-py时出现Apache PDFBox警告的解决方法咨询

问题描述 #

使用tabula-py解析PDF时出现以下警告：

Apr 24, 2024 10:15:55 AM org.apache.pdfbox.pdmodel.PDDocument importPage
WARNING: inherited resources of source document are not imported to destination page
Apr 24, 2024 10:15:55 AM org.apache.pdfbox.pdmodel.PDDocument importPage
WARNING: call importedPage.setResources(page.getResources()) to do this

已尝试重新安装tabula-py、更新Java版本，问题仍未解决。

解决方案 #

1. 快速屏蔽警告（推荐） #

这个警告来自tabula-py底层依赖的PDFBox库，不影响表格提取的核心功能，直接屏蔽Java日志的警告输出即可。在Python代码开头添加以下配置：

import os
import tabula

# 设置JVM日志级别为ERROR，屏蔽WARNING信息
os.environ["JAVA_OPTS"] = "-Dorg.slf4j.simpleLogger.defaultLogLevel=error"

# 之后正常调用tabula的解析方法
df = tabula.read_pdf("your_file.pdf", pages="all")

2. 预处理PDF文件（解决根源问题） #

警告的本质是PDF页面继承了文档级的资源，未单独嵌入页面。可以用Ghostscript或PDF编辑工具重新生成PDF，强制嵌入所有页面资源：
使用Ghostscript的命令行处理：

gs -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -dNOPAUSE -dBATCH -dPDFSETTINGS=/prepress -sOutputFile=processed.pdf input.pdf

用处理后的processed.pdf再进行tabula解析，大概率不会再触发警告。

3. 更新底层依赖的tabula-java版本 #

tabula-py依赖tabula-java，而tabula-java使用的PDFBox版本可能存在该警告。可以手动下载最新版的tabula-java jar包，指定tabula-py使用它：

import tabula

# 替换为你下载的最新tabula-java.jar路径
tabula.JAR_PATH = "/Users/yourname/Downloads/tabula-java-1.0.5-jar-with-dependencies.jar"

# 正常执行解析操作
df = tabula.read_pdf("your_file.pdf")

内容的提问来源于stack exchange，提问作者Mohammed H Abbadi