实用 | Python 新工具:用三行代码提取 PDF 表格数据

举报
橘座 发表于 2019/10/31 18:51:58 2019/10/31
【摘要】 报道 | 机器之心项目作者 | vinayak mehta参与 | 一鸣从 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...

报道 | 机器之心

项目作者 | vinayak mehta

参与 | 一鸣


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。

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1
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=(77)> # 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。




640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1




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 camelot
pip install ".[cv]"



【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。