使用Python通过tabula-py转换PDF为CSV仅显示列名无内容如何解决

核心遗漏配置项 #

• 未指定表格识别模式：tabula-py默认不会自动适配带边框/无边框的表格，90%的空数据问题都是因为没有开启lattice或stream参数
• 未校验读取结果：直接对返回的DataFrame赋值列名导出，没有确认是否真的读取到了表格内容
• 坐标参数匹配错误：自定义的area和columns坐标范围偏差，把表格内容排除在了识别区域外

具体操作步骤 #

1. 先添加识别模式参数：如果你的PDF表格是带实线边框的，添加lattice=True；如果是无框靠空格分隔的文本表格，添加stream=True
2. 读取后先校验数据：输出DataFrame的行数和内容，确认读取正常再做后续处理
3. 调整坐标范围：如果加了识别模式还是空，先注释掉area和columns参数，让tabula自动识别页面内容，确认能读到数据后再微调坐标适配自定义列
4. 导出CSV时添加可选参数避免冗余内容和乱码

修改后可运行的参考代码 #

#!/usr/bin/env python3
import tabula
import pandas as pd

pdf_file='document-page1.pdf'
column_names=['Product','Batch No','Machin No','Time','Date','Drum/Bag No','Tare Wt.kg','Gross Wt.kg',
              'Net Wt.kg','Blender','Remarks','Operator']

# Page 1 processing 带边框表格用lattice=True，无框表格替换为stream=True
df_list = tabula.read_pdf(
    pdf_file, 
    pages=1,
    lattice=True,
    area=(95,20, 800, 840),
    columns=[93,180,220,252,310,315,333,367,410,450,480,520],
    pandas_options={'header': None}
)

# 先校验是否读取到了表格
if len(df_list) == 0 or df_list[0].empty:
    print("未识别到表格内容，请调整识别参数或坐标范围")
else:
    df = df_list[0]
    # 确认列数匹配后再处理
    if df.shape[1] == len(column_names)+1:
        df = df.drop(columns=5)
        df.columns = column_names
        # 导出时去掉索引列，设置编码避免乱码
        df.to_csv('result.csv', index=False, encoding='utf_8_sig')
        print(f"导出成功，共{df.shape[0]}条数据")
    else:
        print(f"识别到的列数{df.shape[1]}与预期不匹配，请调整columns参数")

内容的提问来源于stack exchange，提问作者linux01