Python新工具：用三行代码提取PDF表格数据

198366809

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。

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：

>>> import camelot

>>> tables = camelot.read_pdf('foo.pdf') #类似于Pandas打开CSV文件的形式

>>> tables[0].df # get a pandas DataFrame!

>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite，可指定输出格式

>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite， 导出数据为文件

>>> tables<TableList n=1>

>>> tables[0]

<Table shape=(7, 7)> # 获得输出的格式

>>> tables[0].parsing_report

{   

'accuracy': 99.02,   

'whitespace': 12.24,   

'order': 1,   

'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。

conda install -c conda-forge camelot-py

最流行的安装方法是使用 pip 安装。

pip install camelot-py[cv]

还可以从项目中克隆代码，并使用源码安装。

git clone https://www.github.com/camelot-dev/camelot

cd camelotpip

install ''.[cv]''

信思人

论坛有你更精彩！

13685560221

绝对干货，楼主给力，支持了！！！

王小贱

水个经验，支持楼主，加油呀

497705263

打卡路过，支持优质原创内容～

新的奋斗

同款经历！简直是世另我

198366809

救命！这回复笑到我捶桌，必须置顶～

danny_zhu

路过混个脸熟，顺便为优质内容打 call～