使用tabula-py提取PDF表格遇Java CodeCache及JSON解码错误求助

问题根源 #

你的问题是Java端CodeCache空间不足引发的连锁问题：

• Java虚拟机抛出的CodeCache is full警告是核心诱因，Tabula-py依赖Java版Tabula处理PDF，当CodeCache耗尽时，Java编译器被禁用，导致Tabula无法正常生成有效的JSON格式结果返回给Python。
• 后续的JSONDecodeError是直接结果：Python端解析不到合法的JSON输出，自然报错。

解决步骤 #

1. 调整Java虚拟机的CodeCache大小 #

在调用read_pdf时，通过java_options参数指定更大的CodeCache空间，示例：

from tabula import read_pdf

path = "https://sedl.org/afterschool/toolkits/science/pdf/ast_sci_data_tables_sample.pdf"

# 配置JVM参数，将CodeCache设为256MB，可根据情况调整为512m
table = read_pdf(path, pages=1, java_options=["-XX:ReservedCodeCacheSize=256m"])
print(table[0])

2. 额外排查优化 #

• 检查Java版本：确保安装的是Java 8及以上版本，版本过低可能存在兼容性问题。
• 本地测试PDF：先将目标PDF下载到本地，使用本地路径调用read_pdf，排除网络加载异常的影响。
• 更新tabula-py：执行pip install --upgrade tabula-py，确保使用最新版本修复已知bug。

内容的提问来源于stack exchange，提问作者RIPPLR