如何获取tabula-py提取的表格对应的PDF原始页码

默认调用tabula.read_pdf(file, pages='all')返回的Pandas DataFrame列表不会携带来源页码元信息，你可以用以下两种方案实现页码映射：

• 方案一：逐页读取手动绑定映射（兼容性最好，推荐）
  先统计PDF总页数，逐页调用表格提取接口，每提取到一个表格就记录对应的页码，最终得到的表格列表和你直接传pages='all'的返回结果完全一致：

  import tabula
  from PyPDF2 import PdfReader
  
  # 读取PDF获取总页数
  pdf_reader = PdfReader(file)
  total_pages = len(pdf_reader.pages)
  
  tables = []
  table_to_page = []
  for page in range(1, total_pages + 1):
      # 提取单页内所有表格
      current_page_tables = tabula.read_pdf(file, pages=page, multiple_tables=True)
      for table in current_page_tables:
          tables.append(table)
          table_to_page.append(page)
  

  最终table_to_page[i]就是tables[i]对应的PDF页码，比如table_to_page[0] = 1就代表第一个提取到的表格来自PDF第1页，页码计数和PDF阅读器显示的页码一致，从1开始。

• 方案二：通过JSON输出格式读取元信息
  把输出格式设为json时，返回结果会自带页码字段，不需要额外引入PDF页数统计依赖，注意这个方法会用到tabula的内部表格转换方法，版本升级时可能有兼容性变动：

  import tabula
  
  raw_result = tabula.read_pdf(file, pages='all', output_format='json')
  tables = []
  table_to_page = []
  for page_info in raw_result:
      current_page = page_info['page']
      for table_data in page_info['tables']:
          df = tabula.io._extract_table(table_data)
          tables.append(df)
          table_to_page.append(current_page)
  

避坑提示：不要依赖表格在列表中的顺序硬编码页码，部分页面可能存在多个表格、部分页面没有表格，硬编码会出现映射错位。

内容的提问来源于stack exchange，提问作者user8802333