Python 用三行代碼提取PDF表格數(shù)據(jù)
從 PDF 表格中獲取數(shù)據(jù)是一項痛苦的工作。不久前，一位開發(fā)者提供了一個名為 Camelot 的工具，使用三行代碼就能從 PDF 文件中提取表格數(shù)據(jù)。
PDF 文件是一種非常常用的文件格式，通常用于正式的電子版文件。它能夠很好的將不同的排版格式固定下來，形成版面清晰且美觀的展示效果。然而，對于想要從 PDF 中提取信息的人們來說，PDF 是個噩夢，尤其是表格。
大量的學(xué)術(shù)報告、論文、分析文章都使用 PDF 展示其中的表格數(shù)據(jù)，但是對于如果想要直接從表格中復(fù)制數(shù)據(jù)則會非常麻煩。不久前，有一位開發(fā)者提供了一個可從文字 PDF 中提取表格信息的工具——Camelot，能夠直接將大部分表格轉(zhuǎn)換為 Pandas 的 Dataframe。
項目地址：https://github.com/camelot-dev/camelot
Camelot 是什么
據(jù)項目介紹稱，Camelot 是一個 Python 工具，用于將 PDF 文件中的表格數(shù)據(jù)提取出來。
具體而言，用戶可以像使用 Pandas 那樣打開 PDF 文件，然后利用這個工具提取表格數(shù)據(jù)，最后再指定輸出的形式（如 csv 文件）。
代碼示例
項目提供的 PDF 文件如圖所示，假設(shè)用戶需要提取這些文字之間的表格 2-1 中的信息。
PDF 文件。我們需要提取表格 2-1。
使用 Camelot 提取表格數(shù)據(jù)的代碼如下：
>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf') #類似于Pandas打開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，可指定輸出格式
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite， 導(dǎo)出數(shù)據(jù)為文件
>>> tables
<TableList n=1>
>>> tables[0]
<Table shape=(7, 7)> # 獲得輸出的格式
>>> tables[0].parsing_report
{
'accuracy': 99.02,
'whitespace': 12.24,
'order': 1,
'page': 1
}
以下為輸出的結(jié)果，對于合并的單元格，Camelot 在抽取后做了空行處理，這是一個穩(wěn)妥的方法。
安裝方法
項目作者提供了三種安裝方法。首先，你可以使用 Conda 進(jìn)行安裝，這是最簡單的。
conda install -c conda-forge camelot-py
最流行的安裝方法是使用 pip 安裝。
pip install camelot-py[cv]
還可以從項目中克隆代碼，并使用源碼安裝。
git clone https://www.github.com/camelot-dev/camelot cd camelot pip install ".[cv]"
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
2022虎年將至，值此新春佳節(jié)之際，小編特地為大家介紹了一個利用Python實現(xiàn)的虎年祝福神器，文中的示例代碼講解詳細(xì)，感興趣的可以動手試一試2022-01-01
python空值判斷方式(if xxx和if xxx is None的區(qū)別及說明
這篇文章主要介紹了python空值判斷方式(if xxx和if xxx is None的區(qū)別及說明)，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-11-11
這篇文章主要介紹了用python爬取歷史天氣數(shù)據(jù)的方法示例，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-12-12
在數(shù)字化辦公時代,你是否遇到過這樣的場景：會議室投影電腦突然鍵盤失靈、躺在沙發(fā)上想遠(yuǎn)程控制書房電腦、或者需要給長輩遠(yuǎn)程協(xié)助操作？今天我要分享的Python全棧項目,只需30行核心代碼就能讓手機變身全能虛擬鍵盤！本文將深度解析技術(shù)實現(xiàn),并附完整可運行代碼2025-04-04
今天小編就為大家分享一篇在pytorch中實現(xiàn)只讓指定變量向后傳播梯度，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-02-02
這篇文章主要介紹了Django 內(nèi)置權(quán)限擴展案例詳解，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-03-03
python安裝/卸載模塊方法步驟詳解(附詳細(xì)圖解)
在日常工作中會需要安裝或者卸載Python模塊.于是我整理了一下,下面這篇文章主要給大家介紹了關(guān)于python安裝/卸載模塊的相關(guān)資料,文中通過圖文介紹的非常詳細(xì),需要的朋友可以參考下2023-01-01
這篇文章主要介紹了Python內(nèi)置函數(shù)的用法,包括求絕對值的abs()函數(shù)及數(shù)值類型轉(zhuǎn)換函數(shù)等,需要的朋友可以參考下2014-09-09
Python實戰(zhàn)之用tkinter庫做一個鼠標(biāo)模擬點擊器
這篇文章主要介紹了Python實戰(zhàn)之用tkinter庫做一個鼠標(biāo)模擬點擊器,文中有非常詳細(xì)的代碼示例,對正在學(xué)習(xí)python的小伙伴們有非常好的幫助,需要的朋友可以參考下2021-04-04
這篇文章主要介紹了Python pip使用超時問題解決方案,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-08-08