Python-Camelot:用三行代码提取PDF表格数据

Python客栈

共 1613字,需浏览 4分钟

 ·

2021-12-11 07:49

来源 : 机器之心
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
1>
>>> tables[0]
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]"




往期推荐


1、M1 Max再强,也没Windows用!微软:拒绝提供

2、看了同事写的代码,我竟然开始默默的模仿了。。。

3「摸鱼」神器来了,Python 实现人脸监测制作神器

4影响众多编程语言、引发供应链攻击,剑桥大学发布「木马源」漏洞

5、欠债3000亿,宣布破产!昔日民族品牌,为何总沦为反面教材?

6、如何防止果照外泄?自己先上传就OK!扎克伯格这波操作给网友整不会了



点击关注公众号,阅读更多精彩内容

浏览 50
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报