ad导出pdf为啥只有一个叫_Python新工具：用三行代码提取PDF表格数据

机器之心报道

项目作者&＃xff1a;vinayak mehta参与&＃xff1a;一鸣

从 PDF 表格中获取数据是一项痛苦的工作。不久前&＃xff0c;一位开发者提供了一个名为 Camelot 的工具&＃xff0c;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&＃xff0c;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&＃xff0c;形成版面清晰且美观的展示效果。然而&＃xff0c;对于想要从 PDF 中提取信息的人们来说&＃xff0c;PDF 是个噩梦&＃xff0c;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&＃xff0c;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&＃xff0c;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&＃xff0c;能够直接将大部分表格转换为 Pandas 的 Dataframe。

• 项目地址&＃xff1a;https://github.com/camelot-dev/camelot

Camelot 是什么据项目介绍称&＃xff0c;Camelot 是一个 Python 工具&＃xff0c;用于将 PDF 文件中的表格数据提取出来。具体而言&＃xff0c;用户可以像使用 Pandas 那样打开 PDF 文件&＃xff0c;然后利用这个工具提取表格数据&＃xff0c;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&＃xff0c;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&＃xff1a;

>>> import camelot
>>> tables &＃61; camelot.read_pdf(&＃39;foo.pdf&＃39;) #类似于Pandas打开CSV文件的形式
>>> tables[0].df # get a pandas DataFrame!
>>> tables.export(&＃39;foo.csv&＃39;, f&＃61;&＃39;csv&＃39;, compress&＃61;True) # json, excel, html, sqlite&＃xff0c;可指定输出格式
>>> tables[0].to_csv(&＃39;foo.csv&＃39;) # to_json, to_excel, to_html, to_sqlite&＃xff0c; 导出数据为文件
>>> tables
1>
>>> tables[0]7, 7)> # 获得输出的格式
>>> tables[0].parsing_report
{&＃39;accuracy&＃39;: 99.02,&＃39;whitespace&＃39;: 12.24,&＃39;order&＃39;: 1,&＃39;page&＃39;: 1
}以下为输出的结果&＃xff0c;对于合并的单元格&＃xff0c;Camelot 在抽取后做了空行处理&＃xff0c;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&＃xff0c;你可以使用 Conda 进行安装&＃xff0c;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&＃xff0c;并使用源码安装。

git clone https://www.github.com/camelot-dev/camelot
cd camelot
pip install ".[cv]"
本文为机器之心编译&＃xff0c;转载请联系本公众号获得授权。✄------------------------------------------------加入机器之心(全职记者 / 实习生)&＃xff1a;hr&＃64;jiqizhixin.com投稿或寻求报道&＃xff1a;content&＃64;jiqizhixin.com广告 & 商务合作&＃xff1a;bd&＃64;jiqizhixin.com