Python3 : tabula.read_pdf でPDFを読み込めない（入力データの行数が少ない場合）

Question

前提

python3で、PDFデータを読み込むコードを書いています。
tabula.read_pdfという関数を使用して、以下のようにPDFファイルを読み込もうとしたところ、
以下の通り読み込めませんでした。

#プログラムの中身
filename_m= "test.pdf"
tp_m = tabula.read_pdf(filename_m, stream=True, pages = 'all', encoding='shift-jis', silent=True)
print("tp_m=")
print(tp_m)

#出力
　tp_m=
   []　　　

ここでtest.pdfの中身は以下の通りです。
次に、データの行数を2行にした"test2.pdf", 3行の"test3.pdf", 4行の"test4.pdf"を用意しました。

上記のプログラムを実行したところ、
"test2.pdf"と"test3.pdf"については同様に読み込めませんでした。
一方で、"test4.pdf" については以下の通り読み込めました。

filename_m= "test4.pdf"
tp_m = tabula.read_pdf(filename_m, stream=True, pages = 'all', encoding='shift-jis', silent=True)
print("tp_m=")
print(tp_m)

＃出力
tp_m =
[  Unnamed: 0    1WEEK   1MONTH  2MONTH   3MONTH  4MONTH  5MONTH   6MONTH
0   2023/1/4 -0.04545  0.06818     NaN  0.06364     NaN     NaN  0.14364 
1   2023/1/5 -0.04545  0.06818     NaN  0.06364     NaN     NaN  0.14364 
2   2023/1/6 -0.04545  0.06818     NaN  0.06364     NaN     NaN  0.14364 
3   2023/1/7 -0.04545  0.06818     NaN  0.06364     NaN     NaN  0.14364]

同様に、5行以上の入力データを作成して試したところ、読み込まれました。

質問

ⅰ) tabula.read_pdfは、入力データが4行以上の場合のみ読み込めるのでしょうか。

ⅱ) もしそうであるなら、改善策はありますか？
入力用のPDFファイルに記述されているデータの行数が１～3行の場合に、それを読み込める関数などがあれば、ご教示いただきたいです。もしくは、現状のプログラムを修正して改善できるのでしょうか

以上、よろしくお願いいたします。

Answer 1

公式ドキュメントより：

I got a empty DataFrame. How can I resolve it?

前提として、対象の PDF はテキストベースのテーブル情報を含んでいること。画像ベースのものはサポートしていない。

解決策として提示されているのは：

• 正確にテーブルを検知するため、area を指定する
• テーブルに明確なラインがあるなら lattice=True を試す、もしくは stream=True を試す

これでもダメなら、tabula app を使ってみる。tabula の GUI バージョンで、直接テーブルの位置を指定できる。

もしこれで、テーブルが抽出できて、tabula.py で出来なかったら、GitHub の Issue で報告してください。とのこと。

Comments

[H-Tommy]

area を指定したところ解決できました。
本当にありがとうございました。