Python读取在线PDF遇OSError及提取表格数据至列的求助

1. 修复在线PDF读取错误 #

PyPDF2 的 PdfReader 不支持直接传入 HTTP URL，必须先将在线PDF下载到本地内存或磁盘。可以用 requests 库先获取PDF内容，再通过字节流传给 PdfReader：

import PyPDF2
import pandas as pd
import requests
from io import BytesIO
from PyPDF2 import PdfReader

# 下载在线PDF到内存
url = "http://www.meteo.gov.lk/images/mergepdf/20221004MERGED.pdf"
response = requests.get(url)
# 将响应内容转为字节流
pdf_stream = BytesIO(response.content)

# 读取PDF
reader = PdfReader(pdf_stream)
text = ""
for page in reader.pages:
    text += page.extract_text() + "\n"

2. 提取表格到Pandas列 #

直接用PyPDF2提取的纯文本很难拆分表格结构，推荐用专门处理PDF表格的库，比如 tabula-py（基于Java，需提前安装Java环境）或 camelot。以下是具体实现：

用tabula-py提取表格 #

步骤1：安装依赖

pip install tabula-py requests

注意：tabula-py 需要Java 8+环境，若未安装需先配置Java环境变量。

步骤2：提取第一页表格代码

import tabula

url = "http://www.meteo.gov.lk/images/mergepdf/20221004MERGED.pdf"
# 提取第一页的所有表格，返回DataFrame列表
tables = tabula.read_pdf(url, pages=1, multiple_tables=True)

# 取第一个表格（如果存在）
if tables:
    first_table = tables[0]
    print(first_table)
    # 可直接保存为CSV或进一步处理
    first_table.to_csv("first_table.csv", index=False)

用camelot提取表格 #

步骤1：安装依赖

pip install camelot-py[cv]

步骤2：提取第一页表格代码

import camelot

tables = camelot.read_pdf(url, pages=1)
first_table = tables[0].df
print(first_table)

这两个工具都能直接解析PDF中的表格结构，生成带列的Pandas DataFrame，比手动拆分纯文本高效得多。

内容的提问来源于stack exchange，提问作者Snyder Fox