Парсинг pdf Tabula

@Orlov1 · Регистрация: 03.02.2019

Студворк — интернет-сервис помощи студентам

Всем привет!
Есть PDF файл test.pdf. https://disk.yandex.ru/i/1TLhlw6pHL6shg
Нужно спарсить из таблицы ФИО и таб номер.

Накидал вот такой код, но он парсит данные не корректно. ФИО вообще не отображается :

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import glob
import pandas as pd
import tabula
 
file = ("test.pdf")
 
pdf_files = glob.glob('*.pdf')
 
pdf_tables = tabula.read_pdf(file,
                             pages = 'all',
                             multiple_tables=True,
                             lattice=True,
                             encoding="windows-1251")
 
for table in pdf_tables:
    print(pdf_tables[0])

Что я делаю не так и как спарсить данные корректно ?

@u235 · 04.02.2023, 08:23

Python
1
2
table=pdf_tables[0]
print(table['Фамилия, Имя, Отчество'])

Code
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0           Иванов Иван Иванович
1           Петров Петр Петрович
2                            NaN
3        Сидоров Сидор Сидорович
4     Михайлов Михаил Михаилович
5       Сергеев Сергей Сергеевич
6        Романов Роман Романович
7           Егоров Егор Егорович
8                            NaN
9                            NaN
10                           NaN
11                           NaN
12                           NaN
13                           NaN
14                           NaN
15                           NaN
16                           NaN
17                           NaN
18                           NaN
Name: Фамилия, Имя, Отчество, dtype: object

@Orlov1 · 04.02.2023, 15:41 **[ТС]**

u235, благодарю, а как исключить лишние строки 'NaN' ?

@u235 · 04.02.2023, 16:02

Orlov1, не очень знаю Pandas, но можно так:

Python
1
print(table['Фамилия, Имя, Отчество'][~pd.isna(table['Фамилия, Имя, Отчество'])])

Code
1
2
3
4
5
6
7
8
0          Иванов Иван Иванович
1          Петров Петр Петрович
3       Сидоров Сидор Сидорович
4    Михайлов Михаил Михаилович
5      Сергеев Сергей Сергеевич
6       Романов Роман Романович
7          Егоров Егор Егорович
Name: Фамилия, Имя, Отчество, dtype: object

@Orlov1 · 04.02.2023, 16:12 **[ТС]**

Сообщение от u235

не очень знаю Pandas, но можно так:
PythonВыделить код
1
print(table['Фамилия, Имя, Отчество'][~pd.isna(table['Фамилия, Имя, Отчество'])])

У меня этот код не работает, ругается на ~pd.isna

@u235 · 04.02.2023, 16:23

А так:

Python
1
print(''.join(i+'\n' for i in table['Фамилия, Имя, Отчество'] if str(i)!='nan'))

@Orlov1 · 04.02.2023, 19:07 **[ТС]**

Что означают эти ошибки и как от них избавиться ? см скрин

@u235 · 04.02.2023, 20:13

Orlov1, это не ошибки, это предупреждения. Означает что некоторые символы в этом pdf не могут корректно отобразиться в юникод.

@Orlov1 · 04.02.2023, 20:16 **[ТС]**

Сообщение от u235

Orlov1, это не ошибки, это предупреждения. Означает что некоторые символы в этом pdf не могут корректно отобразиться в юникод.

А как-то игнорировать эти предупреждения можно, чтобы они не выводились в консоли ?

@u235 · 04.02.2023, 20:23

Orlov1, Если погуглить по фразе "tabula python off warning", то окажется, что достаточно добавить опцию silent=True, например:

Python
1
tabula.read_pdf("/path/to/sample.pdf", pages="all", silent=True)

Я это нашел за две минуты. Неужели у вас какой-то другой интернет?

Новые блоги и статьи Все статьи Все блоги /
сукцессия микоризы: основная теория в виде двух уравнений. anaschu 11.01.2026 https:/ / rutube. ru/ video/ 7a537f578d808e67a3c6fd818a44a5c4/	WordPad для Windows 11 Jel 10.01.2026 WordPad для Windows 11 — это приложение, которое восстанавливает классический текстовый редактор WordPad в операционной системе Windows 11. После того как Microsoft исключила WordPad из. . .	Classic Notepad for Windows 11 Jel 10.01.2026 Old Classic Notepad for Windows 11 Приложение для Windows 11, позволяющее пользователям вернуть классическую версию текстового редактора «Блокнот» из Windows 10. Программа предоставляет более. . .	Почему дизайн решает? Neotwalker 09.01.2026 В современном мире, где конкуренция за внимание потребителя достигла пика, дизайн становится мощным инструментом для успеха бренда. Это не просто красивый внешний вид продукта или сайта — это. . .
Модель микоризы: классовый агентный подход 3 anaschu 06.01.2026 aa0a7f55b50dd51c5ec569d2d10c54f6/ O1rJuneU_ls https:/ / vkvideo. ru/ video-115721503_456239114	Owen Logic: О недопустимости использования связки «аналоговый ПИД» + RegKZR ФедосеевПавел 06.01.2026 Owen Logic: О недопустимости использования связки «аналоговый ПИД» + RegKZR ВВЕДЕНИЕ Введу сокращения: аналоговый ПИД — ПИД регулятор с управляющим выходом в виде числа в диапазоне от 0% до. . .	Модель микоризы: классовый агентный подход 2 anaschu 06.01.2026 репозиторий https:/ / github. com/ shumilovas/ fungi ветка по-частям. коммит Create переделка под биомассу. txt вход sc, но sm считается внутри мицелия. кстати, обьем тоже должен там считаться. . . .	Расчёт токов в цепи постоянного тока igorrr37 05.01.2026 / * Дана цепь постоянного тока с сопротивлениями и источниками (напряжения, ЭДС и тока). Найти токи и напряжения во всех элементах. Программа составляет систему уравнений по 1 и 2 законам Кирхгофа и. . .

@Orlov1 100 / 42 / 7 Регистрация: 03.02.2019 Сообщений: 655
	04.02.2023, 15:41 [ТС]
	u235, благодарю, а как исключить лишние строки 'NaN' ? 0

@Orlov1 100 / 42 / 7 Регистрация: 03.02.2019 Сообщений: 655
	04.02.2023, 19:07 [ТС]
	Что означают эти ошибки и как от них избавиться ? см скрин Миниатюры 0

@u235 5515 / 2868 / 571 Регистрация: 07.11.2019 Сообщений: 4,757
	04.02.2023, 20:13
	Orlov1, это не ошибки, это предупреждения. Означает что некоторые символы в этом pdf не могут корректно отобразиться в юникод. 1