使用Python tabula-py 解析 PDF 表格
PDF一直是資料清理(Data Cleansing)令人頭痛的問題，尤其是那些不整齊的表格、格式特別的政府公開資料，甚至本身是圖檔，無法搜尋文字，但也是這些痛點，有許多轉檔的付費服務。Python一直是字串處理的好幫手，不過對這種半結構甚至非結構化的資料，以我的經驗來說，還是無法完整解析，但還是可以幫大家節省一些時間。
首先這部分是針對表格而來，因為如果只是單純解析文字，其實比較容易，線上有很多免費轉檔服務，很多套件也可以解決，而表格我是使用tabula-py的套件，由chezou所開發，背後是用 tabula-java所執行。
一開始pip install tabula-py 請不要裝tabula，那是不一樣的套件。然後就import
from tabula import read_pdf 或是from tabula import read_pdf_table
由於是解析表格，用哪個都一樣，最後都是轉成pandas的DataFrame，所以如果沒裝pandas 記得 pip install pandas，接下來是設定參數
df = read_pdf(‘your_file.pdf’, encoding = ‘big5’, spreadsheet = True, pages = ‘all’)
- 檔案的路徑
- encoding：如果是中文可以試試big5或是big5hkscs，預設是utf8
ps. 有些有難字的中文會需要這個big5擴充的編碼，避免難字變成問號
3. spreadsheet：就是說你的檔案是不是像excel一樣一格一格的，如果是的話請用True，但如果是有合併的儲存格，或是多層的row or column index，就會跑版，但還是會比沒用這個參數全部跑掉的好，後續再用手動調整…
4. pages：代表頁數，預設是1，也可以一次讀全部，就是設成all，但要注意all就代表每一頁DataFrame append下去，那就是依照header接下去，或是沒有header的狀況也行，所以如果是不一樣的分頁就分開讀吧～
請注意：以上這些選填的參數(option)，打錯了並不會報錯(error)！所以如果有時候結果怪怪的請先到作者的github確認有沒有打錯參數名稱！
再次感謝有chezou貢獻出這個套件，以前被pdf搞得不要不要的，雖然現在也沒多好，但已經省了很多工！如果只是純文字非表格有很多解法，程式可參考Automate the Boring Stuff with Python。
如果有更好的套件或解法也請告知小弟，尤其是像那種不是一格一格，有合併儲存格或是多層次row index or column index的狀況，非常感謝！
