Python编程神器：3行代码提取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。

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。

• 项目地址：https://github.com/camelot-dev/camelot

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：

在学习过程中有什么不懂得可以加我的
python学习交流扣扣qun，784758214
群里有不错的学习视频教程、开发工具与电子书籍。
与你分享python企业当下人才需求及怎么从零基础学习好python，和学习什么内容
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
16.  }

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

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]"

• 点赞
• 收藏
• 分享
• 文章举报