tabula

• パッケージ名：tabula-py
• 表組みのPDFファイルからpandasへDataFrameとして抽出可能
• 通常、PDFの表組みからデータをきれいに取り出すことは不可だがこれはできる
• PyPiから
  • https://pypi.org/project/tabula-py/
• Doc
  • https://tabula-py.readthedocs.io/en/latest/
• tabula には Java のインストールも必要（doc参照）
  • Java インストール後、パスを通す必要あり。でないと「JavaNotFoundError: java command is not found from this Python process.Please ensure Java is installed and PATH is set for java」エラー

df = tabula.read_pdf(‘test.pdf’, pages=’all’, lattice=True)

optionとして、以下がある

• デフォルトではP1のみ
• 複数ページを取得したい場合は、pages=3, pages=’1-3,5’, pages=’all’
• lattice=True：セルの区切り線がある場合。表が複数に分かれているときは使わないほうが良い
• stream=True: セルの区切り線がない場合（デフォルト）
• pandas_options={‘header’:[0,1]}　←効く？Noneで読み込んだほうが無難？
• password=’password’