使用tabula-py提取部分PDF表格时出现‘文件不存在’错误求助

问题现象 #

执行以下代码提取PDF表格时，部分PDF触发报错：

tables = read_pdf(file_path, pages = 'all')

错误详情：

Error from tabula-java:
Error: File does not exist

Traceback (most recent call last):
  Input In [71] in <cell line: 1>
    tables = read_pdf(file_path, pages = 'all')
  File ~\anaconda3\lib\site-packages\tabula\io.py:322 in read_pdf
    output = _run(java_options, kwargs, path, encoding)
  File ~\anaconda3\lib\site-packages\tabula\io.py:80 in _run
    result = subprocess.run(
  File ~\anaconda3\lib\subprocess.py:516 in run
    raise CalledProcessError(retcode, process.args,
CalledProcessError: Command '['java', '-Dfile.encoding=UTF8', '-jar', 'C:\\Users\\xxx\\anaconda3\\lib\\site-packages\\tabula\\tabula-1.0.5-jar-with-dependencies.jar', '--pages', 'all', '--guess', '--format', 'JSON', 'C:/Users/xx/yyy/Invoice/75211-INV-1180235.PDF']' returned non-zero exit status 1.

已知前提：

• 其他PDF文件可正常提取表格
• Tabula的GUI版本（tabula.exe）能正常处理该报错PDF
• 打印的文件路径正确，但路径包含空格和非ASCII字符（如Kinh Doanh - Documents/Chứng Từ）

解决方案 #

1. 简化文件路径 #

将报错PDF复制到不含空格、非ASCII字符的路径下，比如C:/temp/75211-INV-1180235.PDF，再执行提取代码。

2. 转换为Windows短路径 #

通过命令行获取文件的8.3格式短路径，规避非ASCII和空格问题：

import subprocess
import tabula

def get_short_path(long_path):
    result = subprocess.check_output(['cmd', '/c', f'for %f in ("{long_path}") do @echo %~sf'], shell=True)
    return result.decode('utf-8').strip()

file_path = "C:/Users/quock/tapetco/Kinh Doanh - Documents/Chứng Từ/Foreign Airports/AEG/Invoice/error/75211-INV-1180235.PDF"
short_path = get_short_path(file_path)
tables = tabula.read_pdf(short_path, pages='all')

3. 升级Tabula-Java版本 #

当前使用的tabula-1.0.5版本较旧，对非ASCII路径支持不足。手动下载最新版tabula-java jar包，替换C:\\Users\\xxx\\anaconda3\\lib\\site-packages\\tabula\\目录下的旧jar文件即可。

4. 显式指定编码与原始路径 #

调用read_pdf时使用原始字符串路径，并确保Java编码设置正确：

tables = tabula.read_pdf(r"C:/Users/quock/tapetco/Kinh Doanh - Documents/Chứng Từ/Foreign Airports/AEG/Invoice/error/75211-INV-1180235.PDF", 
                         pages='all',
                         java_options=["-Dfile.encoding=UTF-8"])

原因分析 #

Tabula-Python依赖的底层工具Tabula-Java，对包含非ASCII字符或空格的路径存在兼容问题；而Tabula的GUI版本做了路径转义处理，因此能正常运行。

内容的提问来源于stack exchange，提问作者regulus