從 PDF 表格中獲取數(shù)據(jù)是一項(xiàng)痛苦的工作。不久前，一位開發(fā)者提供了一個(gè)名為 Camelot 的工具，使用三行代碼就能從 PDF 文件中提取表格數(shù)據(jù)。

我們注重客戶提出的每個(gè)要求，我們充分考慮每一個(gè)細(xì)節(jié)，我們積極的做好成都做網(wǎng)站、成都網(wǎng)站建設(shè)服務(wù)，我們努力開拓更好的視野，通過不懈的努力，創(chuàng)新互聯(lián)建站贏得了業(yè)內(nèi)的良好聲譽(yù)，這一切，也不斷的激勵(lì)著我們更好的服務(wù)客戶。 主要業(yè)務(wù)：網(wǎng)站建設(shè),網(wǎng)站制作,網(wǎng)站設(shè)計(jì),重慶小程序開發(fā)公司,網(wǎng)站開發(fā),技術(shù)開發(fā)實(shí)力，DIV+CSS，PHP及ASP，ASP.Net，SQL數(shù)據(jù)庫的技術(shù)開發(fā)工程師。

PDF 文件是一種非常常用的文件格式，通常用于正式的電子版文件。它能夠很好的將不同的排版格式固定下來，形成版面清晰且美觀的展示效果。然而，對于想要從 PDF 中提取信息的人們來說，PDF 是個(gè)噩夢，尤其是表格。

大量的學(xué)術(shù)報(bào)告、論文、分析文章都使用 PDF 展示其中的表格數(shù)據(jù)，但是對于如果想要直接從表格中復(fù)制數(shù)據(jù)則會(huì)非常麻煩。不久前，有一位開發(fā)者提供了一個(gè)可從文字 PDF 中提取表格信息的工具——Camelot，能夠直接將大部分表格轉(zhuǎn)換為 Pandas 的 Dataframe。

• 項(xiàng)目地址：https://github.com/camelot-dev/camelot

Camelot 是什么

據(jù)項(xiàng)目介紹稱，Camelot 是一個(gè) Python 工具，用于將 PDF 文件中的表格數(shù)據(jù)提取出來。

具體而言，用戶可以像使用 Pandas 那樣打開 PDF 文件，然后利用這個(gè)工具提取表格數(shù)據(jù)，最后再指定輸出的形式（如 csv 文件）。

代碼示例

項(xiàng)目提供的 PDF 文件如圖所示，假設(shè)用戶需要提取這些文字之間的表格 2-1 中的信息。

PDF 文件。我們需要提取表格 2-1。

使用 Camelot 提取表格數(shù)據(jù)的代碼如下：

 
 
 
 
  
  
  
  
>>> import camelot 
  
  
  
  
>>> tables = camelot.read_pdf('foo.pdf') #類似于Pandas打開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，可指定輸出格式 
  
  
  
  
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite， 導(dǎo)出數(shù)據(jù)為文件 
  
  
  
  
>>> tables 
  
  
  
  
 
  
  
  
  
>>> tables[0] 
  
  
  
  
 # 獲得輸出的格式 
  
  
  
  
>>> tables[0].parsing_report 
  
  
  
  
{ 
  
  
  
  
 'accuracy': 99.02, 
  
  
  
  
 'whitespace': 12.24, 
  
  
  
  
 'order': 1, 
  
  
  
  
 'page': 1 
  
  
  
  
} 
 
 
 

以下為輸出的結(jié)果，對于合并的單元格，Camelot 在抽取后做了空行處理，這是一個(gè)穩(wěn)妥的方法。

安裝方法

項(xiàng)目作者提供了三種安裝方法。首先，你可以使用 Conda 進(jìn)行安裝，這是最簡單的。

 
 
 
 
  
  
  
  
conda install -c conda-forge camelot-py 
 
 
 

流行的安裝方法是使用 pip 安裝。

 
 
 
 
  
  
  
  
pip install camelot-py[cv] 
 
 
 

還可以從項(xiàng)目中克隆代碼，并使用源碼安裝。

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

網(wǎng)頁標(biāo)題：Python新工具：用三行代碼提取PDF表格數(shù)據(jù)
當(dāng)前網(wǎng)址：http://uogjgqi.cn/article/dpssooe.html