您的位置:首页 >聚焦 >

Python 超强大的PDF表格提取器 — Camelot

2022-04-04 06:00:56    来源:程序员客栈

如果你有从PDF中批量提取表格的需求,那么这篇文章就是你的福音。

Python 第三方模块 Camelot 能够精准识别PDF中的表格信息,并提取为pandas数据结构,而且还能导出为多种格式:JSON,Excel,HTML和Sqlite。

下面给大家介绍这个模块的使用方法:

1.准备

开始之前,你要确保Python和pip已经成功安装在电脑上,如果没有,可以访问这篇文章:超详细Python安装指南 进行安装。

如果你用Python的目的是数据分析,可以直接安装Anaconda:Python数据分析与挖掘好帮手—Anaconda,它内置了Python和pip.

此外,推荐大家用VSCode编辑器,它有许多的优点:Python 编程的最好搭档—VSCode 详细指南。

请选择以下任一种方式输入命令安装依赖:1. Windows 环境 打开 Cmd (开始-运行-CMD)。2. MacOS 环境 打开 Terminal (command+空格输入Terminal)。3. 如果你用的是 VSCode编辑器 或 Pycharm,可以直接使用界面下方的Terminal.

pip install camelot-py[cv]

2.使用

最简单的使用方式如下:

import camelot# 1.读取pdftables = camelot.read_pdf("foo.pdf", flavor="stream")# 2.导出pdf所有的表格为csv文件tables.export("foo.csv", f="csv") # json, excel, html, sqlite

第一行,导入camelot这个模块。

第二行,以stream的模式读取当前目录的foo.pdf文件。

第三行,将所有表格数据导出为 foo.csv 文件,并保存在当前文件夹下。

相当简单,请注意,read_pdf 的 flavor 参数是可选的,如果你不带这个参数,请注意需要安装 ghostscript 这个驱动,因为它默认使用 ghostscript 去用 lattice 模式。

3.进阶

3.1 处理背景线:

可以看到,很多表格的线都隐藏在背景中。这种表格默认是不支持的,这时候我们需要让程序能够自动识别这样的表格:

tables = camelot.read_pdf("background_lines.pdf", process_background=True)

增加 process_background=True 参数即可。

3.2 指定表格区域

某些情况下无法正确识别到PDF中的表格,此时手动设定左上角和右下角的边界可能是有效果的:

tables = camelot.read_pdf("table_areas.pdf", flavor="stream", table_areas=["316,499,566,337"])

其中 table_areas接受格式为 x1,y1,x2,y2 的字符串,其中(x1,y1) -> 左上角, (x2,y2) -> 右下角。在PDF坐标空间中,页面的左下角是原点,坐标为(0,0)。

往期推荐1、美国国家安全局是如何入侵你的电脑的?2、美国四大科技巨头:苹果、微软、Facebook、谷歌的爱恨情仇3、几行Python代码实现动图倒放,太好玩4、乌克兰国防系统账号:admin,密码:1234565、这代码谁写的,太可怕了!点击关注公众号,阅读更多精彩内容

关键词: 数据分析 所有的表格 需要安装

相关阅读