|
|
|
|
公众号矩阵

Python-Camelot:三行代码轻松提取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。

作者:佚名来源:恋习Python|2021-11-18 10:20

大家好,我是J哥。

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。

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:

  1. >>> import camelot  
  2. >>> tables = camelot.read_pdf('foo.pdf') #类似于Pandas打开CSV文件的形式  
  3. >>> tables[0].df # get a pandas DataFrame!  
  4. >>> tables.export('foo.csv', f='csv'compress=True) # json, excel, html, sqlite,可指定输出格式  
  5. >>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite, 导出数据为文件  
  6. >>> tables  
  7. <TableList n=1>  
  8. >>> tables[0]  
  9. <Table shape=(7, 7)> # 获得输出的格式  
  10. >>> tables[0].parsing_report  
  11.  
  12.     'accuracy': 99.02,  
  13.     'whitespace': 12.24,  
  14.     'order': 1,  
  15.     '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。

  1. conda install -c conda-forge camelot-py 

最流行的安装方法是使用 pip 安装。

  1. pip install camelot-py[cv] 

还可以从项目中克隆代码,并使用源码安装。

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

鸿蒙官方战略合作共建——HarmonyOS技术社区

【责任编辑:庞桂玉 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

带你轻松入门 RabbitMQ

带你轻松入门 RabbitMQ

轻松入门RabbitMQ
共4章 | loong576

55人订阅学习

数据湖与数据仓库的分析实践攻略

数据湖与数据仓库的分析实践攻略

助力现代化数据管理:数据湖与数据仓库的分析实践攻略
共3章 | 创世达人

14人订阅学习

云原生架构实践

云原生架构实践

新技术引领移动互联网进入急速赛道
共3章 | KaliArch

42人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微