Python 用三行代码提取PDF表格数据
从 PDF 表格中获取数据是一项痛苦的工作。不久前，一位开发者提供了一个名为 Camelot 的工具，使用三行代码就能从 PDF 文件中提取表格数据。
PDF 文件是一种非常常用的文件格式，通常用于正式的电子版文件。它能够很好的将不同的排版格式固定下来，形成版面清晰且美观的展示效果。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、分析文章都使用 PDF 展示其中的表格数据，但是对于如果想要直接从表格中复制数据则会非常麻烦。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，能够直接将大部分表格转换为 Pandas 的 Dataframe。
项目地址：https://github.com/camelot-dev/camelot
Camelot 是什么
据项目介绍称，Camelot 是一个 Python 工具，用于将 PDF 文件中的表格数据提取出来。
具体而言，用户可以像使用 Pandas 那样打开 PDF 文件，然后利用这个工具提取表格数据，最后再指定输出的形式（如 csv 文件）。
代码示例
项目提供的 PDF 文件如图所示，假设用户需要提取这些文字之间的表格 2-1 中的信息。
PDF 文件。我们需要提取表格 2-1。
使用 Camelot 提取表格数据的代码如下：
>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf') #类似于Pandas打开CSV文件的形式
>>> tables[0].df # get a pandas DataFrame!
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite，可指定输出格式
>>> 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)> # 获得输出的格式
>>> tables[0].parsing_report
{
'accuracy': 99.02,
'whitespace': 12.24,
'order': 1,
'page': 1
}
以下为输出的结果，对于合并的单元格，Camelot 在抽取后做了空行处理，这是一个稳妥的方法。
安装方法
项目作者提供了三种安装方法。首先，你可以使用 Conda 进行安装，这是最简单的。
conda install -c conda-forge camelot-py
最流行的安装方法是使用 pip 安装。
pip install camelot-py[cv]
还可以从项目中克隆代码，并使用源码安装。
git clone https://www.github.com/camelot-dev/camelot cd camelot pip install ".[cv]"
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
相关文章
这篇文章主要介绍了浅谈Selenium 控制浏览器的常用方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-12-12
这篇文章主要介绍了Python在for循环里处理大数据的推荐方法实例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪2024-01-01
这篇文章主要介绍了pyspark dataframe列的合并与拆分实例，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2023-03-03
Python中的元组和列表很相似，元组也是Python语言提供的内置数据结构之一，可以在代码中直接使用，这篇文章主要介绍了Python中元组的概念以及应用,需要的朋友可以参考下2023-01-01
python操作excel的包(openpyxl、xlsxwriter)
这篇文章主要为大家详细介绍了python操作excel的包，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-06-06
使用tensorflow根据输入更改tensor shape
这篇文章主要介绍了使用tensorflow根据输入更改tensor shape，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-06-06
这篇文章主要介绍了python爬虫系列之初识爬虫，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-04-04
SQLAlchemy是一个基于Python实现的ORM框架,能满足大多数数据库操作需求,同时支持多种数据库引擎（SQLite,MySQL,Postgresql,Oracle等）,这篇文章主要介绍了SQLAlchemy的主要组件有哪些,本文给大家介绍的非常详细，对大家的学习具有一定的参考借鉴价值，需要的朋友可以参考2023-08-08
这篇文章主要介绍了python Matplotlib绘图直线,折线,曲线,文章围绕主题展开详细的内容介绍，具有一定的参考价值，需要的小伙伴可以参考一下2022-09-09
今天小编就为大家分享一篇关于Tensorflow分布式并行策略，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-02-02
最新评论