Python 超强大的PDF表格提取器 — Camelot
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,阅读更多精彩内容相关阅读
-
世界热推荐:今晚7:00直播丨下一个突破...
今晚19:00,Cocos视频号直播马上点击【预约】啦↓↓↓在运营了三年... -
NFT周刊|Magic Eden宣布支持Polygon网...
Block-986在NFT这样的市场,每周都会有相当多项目起起伏伏。在过去... -
环球今亮点!头条观察 | DeFi的兴衰与...
在比特币得到机构关注之后,许多财务专家预测世界将因为加密货币的... -
重新审视合作,体育Crypto的可靠关系才能双赢
Block-987即使在体育Crypto领域,人们的目光仍然集中在FTX上。随着... -
简讯:前端单元测试,更进一步
前端测试@2022如果从2014年Jest的第一个版本发布开始计算,前端开发... -
焦点热讯:刘强东这波操作秀
近日,刘强东发布京东全员信,信中提到:自2023年1月1日起,逐步为...