关于python:PDF表格数据三行Python代码轻松提取

从 PDF 表格中获取数据是一项苦楚的工作。不久前，一位开发者提供了一个名为 Camelot 的工具，应用三行代码就能从 PDF 文件中提取表格数据。

PDF 文件是一种十分罕用的文件格式，通常用于正式的电子版文件。它可能很好的将不同的排版格局固定下来，造成版面清晰且好看的展现成果。然而，对于想要从 PDF 中提取信息的人们来说，PDF 是个噩梦，尤其是表格。大量的学术报告、论文、剖析文章都应用 PDF 展现其中的表格数据，然而对于如果想要间接从表格中复制数据则会十分麻烦。不久前，有一位开发者提供了一个可从文字 PDF 中提取表格信息的工具——Camelot，可能间接将大部分表格转换为 Pandas 的 Dataframe。

Camelot 是什么据我的项目介绍称，Camelot 是一个 Python 工具，用于将 PDF 文件中的表格数据提取进去。具体而言，用户能够像应用 Pandas 那样关上 PDF 文件，而后利用这个工具提取表格数据，最初再指定输入的模式（如 csv 文件）。代码示例我的项目提供的 PDF 文件如图所示，假如用户须要提取这些文字之间的表格 2-1 中的信息。PDF 文件。咱们须要提取表格 2-1。应用 Camelot 提取表格数据的代码如下：

>>> import camelot>>> tables = camelot.read_pdf('foo.pdf') #相似于Pandas关上CSV文件的模式>>> tables[0].df # get a pandas DataFrame!>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite，可指定输入格局>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite， 导出数据为文件>>> tables<TableList n=1>>>> tables[0]<Table shape=(7, 7)> # 取得输入的格局>>> tables[0].parsing_report{    'accuracy': 99.02,    'whitespace': 12.24,    'order': 1,    'page': 1}

以下为输入的后果，对于合并的单元格，Camelot 在抽取后做了空行解决，这是一个稳当的办法。

装置办法我的项目作者提供了三种装置办法。首先，你能够应用 Conda 进行装置，这是最简略的。

conda install -c conda-forge camelot-py

最风行的装置办法是应用 pip 装置。

pip install camelot-py[cv]

还能够从我的项目中克隆代码，并应用源码装置。

git clone https://www.github.com/camelot-dev/camelotcd camelotpip install ".[cv]"

喜欢 (0)赏

[搞代码]

分享 (0)