本文就目前python图表识别的库进行测试
1、tabula
2、pdfplumber
3、camelot

准备数据

excel：names.xlsx，两个表格
表格1：所有字段都被线条包围
表格2：最外层没有线条包围

将excel另存为pdf：names.pdf

1、tabula

java项目：https://github.com/tabulapdf

自带可视化界面的pdf提取表格数据工具：
https://tabula.technology/

python接口：https://github.com/chezou/tabula-py

安装:

pip install tabula-py

  

 

  
1
 

依赖：
Java 7, 8

代码示例：

import tabula

tabula.convert_into( input_path="source/names.pdf", output_path="source/names.csv", output_format='csv'
)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
 

转换出来的names.csv，发现只有表格1被提取出来了，而且不规范，中间多了逗号

"姓名",年龄,性别
"李雷",,20 男
"韩梅梅",,23 女
"赵小三",,25 女


  

 

  
1
  
2
  
3
  
4
  
5
 

2、pdfplumber

github: https://github.com/jsvine/pdfplumber

安装

pip install pdfplumber

  

 

  
1
 

代码示例：

import pdfplumber
import pandas as pd

with pdfplumber.open("source/names.pdf") as pdf: # 获取第一页 first_page = pdf.pages[0] # 解析文本 text = first_page.extract_text() print(text) # 解析表格 tables = first_page.extract_tables() for table in tables: print(table) # df = pd.DataFrame(table[1:], columns=table[0]) for row in table: for cell in row: print(cell, end="\t|") print()
""" 
表格1:
姓名 年龄 性别
李雷 20 男
韩梅梅 23 女
赵小三 25 女

Table2：
Name Age Gender
Tom 30 Male
Jack 33 Male
Jone 31 Female

[['姓名', '年龄', '性别'], ['李雷', '20', '男'], ['韩梅梅', '23', '女'], ['赵小三', '25', '女']]

姓名	|年龄	|性别	|
李雷	|20	|男	|
韩梅梅	|23	|女	|
赵小三	|25	|女	|

[['30'], ['33']]

30	|
33	|

"""

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
 

文本解析的很全，只有表格1解析完全了，表格2只是解析了有框的部分

3、camelot

github: https://github.com/socialcopsdev/camelot

安装：

pip install camelot-py[cv]

  

 

  
1
 

示例

import camelot

tables = camelot.read_pdf("source/names.pdf")
tables.export("source/names.csv")

  

 

  
1
  
2
  
3
  
4
 

生成2个文件：
source/names-page-1-table-1.csv

"姓名","年龄","性别"
"李雷","20 男",""
"韩梅梅","23 女",""
"赵小三","25 女",""


  

 

  
1
  
2
  
3
  
4
  
5
 

source/names-page-1-table-2.csv

"Name","Age","Gender"
"Tom","","30 Male"
"Jack","","33 Male"
"Jone","","31 Female"


  

 

  
1
  
2
  
3
  
4
  
5
 

发现表格2的内容被解析出来了，不过两个表格的内容都错位了

经过测试后，发现这3个库对表格识别都不是太好

总结

文章来源: pengshiyu.blog.csdn.net，作者：彭世瑜，版权归原作者所有，如需转载，请联系作者。

原文链接：pengshiyu.blog.csdn.net/article/details/85057226