使用Tabula将PDF指定页转为CSV时输出空白并报字体缓存警告如何解决

• 你看到的三条日志均为PDFBox的正常运行警告，是工具首次启动时构建系统字体缓存的提示，和空白CSV输出无关联，不会影响转换逻辑。
• 输出空白CSV的核心原因是Tabula默认识别规则未匹配到PDF第一页的有效表格内容，常见触发场景如下：
  • PDF中的表格无可见边框，默认识别模式无法定位表格范围
  • 表格区域超出Tabula默认的页面识别范围，存在页眉、页脚等非表格内容干扰
  • 当前PDF为扫描生成的图片类PDF，Tabula仅支持文本类PDF的表格提取，无法直接识别图片中的表格内容
  • 你代码中两次调用Tabula接口为独立解析逻辑，read_pdf读取全页的结果不会复用给convert_into方法，两次解析各自独立执行识别规则。

• 第一步先确认PDF类型：如果是扫描生成的图片PDF，需要先通过OCR工具将PDF转换为可编辑的文本类PDF后再执行提取操作。
• 第二步适配无框线表格：如果是无可见边框的表格，添加stream=True参数启用流识别模式，适配无框线表格的内容识别：

tabula.convert_into("10iHP.pdf", "10iHP.csv", output_format="csv", pages='1', stream=True)

• 第三步手动指定表格范围：如果添加stream参数后仍无内容，可以通过Tabula桌面端工具打开对应PDF，手动框选需要提取的表格区域，获取对应坐标后通过area参数传入，坐标格式为[上边界, 左边界, 下边界, 右边界]，单位为磅，示例如下：

# 替换参数内的坐标为你实际框选的表格坐标值
tabula.convert_into("10iHP.pdf", "10iHP.csv", output_format="csv", pages='1', area=[120, 60, 580, 560])

• 如果你需要复用解析得到的DataFrame导出CSV，无需二次调用转换接口，直接使用pandas的to_csv方法即可，效率更高：

# 读取第一页表格，返回结果为DataFrame列表，每个元素对应页面内的一个表格
df_list = tabula.read_pdf('10iHP.pdf', pages = '1', stream=True)
if df_list:
    # 导出第一个表格为CSV，指定编码避免中文乱码
    df_list[0].to_csv("10iHP.csv", index=False, encoding='utf-8-sig')

• 如果单页内存在多个表格，添加multiple_tables=True参数即可识别多表格分别导出。

内容的提问来源于stack exchange，提问作者GS13