使用tabula-py读取PDF表格：如何以字符串格式保留数值小数精度

我之前也碰到过一模一样的情况——用tabula读取带多位小数的数值时，自动转成float后末尾的零就没了，完全不符合需求。这里有两个可靠的方法帮你把数值以字符串格式读取，完整保留原始的小数精度：

方法一：通过CSV中转强制读取为字符串 #

这个方法的思路是让tabula先把表格输出为CSV格式（完整保留原始文本格式），再用pandas读取CSV时指定所有列的类型为字符串，避免自动类型推断改变原始内容：

from tabula import read_pdf
import pandas as pd

fn = "file.pdf"
# 读取第一个表格的CSV格式内容
csv_content = read_pdf(fn, pages='all', multiple_tables=True, output_format='csv')[0]
# 用pandas读取CSV字符串，强制所有列为字符串类型
df = pd.read_csv(pd.compat.StringIO(csv_content), dtype=str)
print(df)

方法二：直接在read_pdf中指定pandas参数 #

tabula-py支持通过pandas_options参数传递设置给pandas，我们可以直接指定dtype=str，让所有列以字符串格式加载：

from tabula import read_pdf

fn = "file.pdf"
# 读取时通过pandas_options强制所有列为字符串
df = read_pdf(fn, pages='all', multiple_tables=True, pandas_options={'dtype': str})[0]
print(df)

为什么会出现这个问题？ #

tabula-py默认会让pandas自动推断每列的数据类型，当遇到像20.0000这样的数值时，pandas会把它解析为float类型，而float类型会自动省略末尾无意义的零，看起来像是丢失了精度，但实际数值是准确的。如果你需要严格保留PDF里显示的文本格式，就必须强制以字符串类型读取。

如果之后需要把字符串转回数值类型进行计算，可以用pd.to_numeric()方法，比如：

df['your_column'] = pd.to_numeric(df['your_column'])

内容的提问来源于stack exchange，提问作者Klemz