Python编程神器:3行代码提取PDF表格数据
2020-01-11 14:17
274 查看
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
相关文章推荐
- Python新工具:用三行代码提取PDF表格数据
- Python 用三行代码提取PDF表格数据
- Python使用Tabula提取PDF表格数据
- Python数据可视化编程通过Matplotlib创建散点图代码示例
- 树莓派python,tornado,返回json数据代码,初级网络编程。
- Python30行代码实现对pdf文字内容的提取
- 使用python提取html文件中的特定数据的实现代码
- python基于pdfminer库提取pdf文字代码实例
- 使用python提取html文件中的特定数据的实现代码
- 看代码学编程之python数据类型
- python 数据提取及拆分的实现代码
- 以实例说明如何使用C#从数据库中提取数据,按要求自动生成定制的Excel表格?
- 海量日志数据提取出访问次数最多的那个IP python实现 总结
- 从数据到代码——通过代码生成机制实现强类型编程[下篇]
- (转)如何用python抓取网页并提取数据
- 【Python编程】网页中文提取正则
- python 数据加密代码
- Ajax读取数据到表格的实现代码
- 基于DSP的GPGGA定位数据提取的代码
- python--用linecache模块方便提取文本数据