python pdf解析表格 python提取pdf中的表格

目录

• 一、Camelot库介绍

• 1.1 项目地址及安装
• 1.2 基本参数介绍

• 二、使用方法介绍

• 2.1 提取规整表格
• 2.2 提取复杂表格

• 三、优缺点分析
• 全部代码

在日常工作学习中，我们经常会遇到需要从PDF文件中提取表格数据的需求。今天，就来分享一个能够很好解决这一需求的Python工具库——

Camelot。首先，我们可以看看官方给出效果图（左图为论文的表格，右图为提取结果）

一、Camelot库介绍

1.1 项目地址及安装

Camelot库是由作者vinayak-mehta开发的一个基于Python语言，提取PDF文件中表格数据的工具库，项目地址为：Camelot，安装方式可以通过pip和conda的方式，具体如下所示

类型	安装命令
Using pip	pip install camelot-py[cv]
Using conda	conda install -c conda-forge camelot-py

1.2 基本参数介绍

Camelot库中主要由read_pdf函数读取PDF文档，其使用方法和参数含义如下所示，更多细节设置可参考官方文档Camelot高级使用参数设置进行学习。

import camelot
tables = camelot.read_pdf('xx.pdf',flavor="stream",pages="1",tables_area=['100,600,600,100'])
tables[0].df #转为data.frame形式

参数	含义及设置
flavor	表格解析方式，默认lattice，常用stream
pages	读取页码，传入类型为字符串，不同页码用逗号分隔（如读取4、5、6页，则设置pages="4,5,6"）
table_areas	表格定位，默认自动识别表格，传入类型为列表，用于精确定位表格位置

注意：

1、flavor参数说明： lattice的工作机制是利用 ghostscript 将PDF页面转换为图像，再用OpenCV进行处理的；而stream的工作机制是PDFMiner使用margin解析单元格之间有空格的表格以模拟表格。一般情况下，选择stream方式较多。但如果需要以lattice方式读入文件，必须安装ghostscript，并需要将其安装目录下的lib文件和bin文件配置到环境变量中，方可正确执行，否则会报错！

2、table_areas参数说明：$[x_1,y_1,x_2,y_2]$，$x_1、x_2$为PDF坐标轴中的开始和结束的位置，$y_1$表示最高点所在行，$y_2$最低点所在行。这一参数会在后续示例演示中详细说明。

二、使用方法介绍

接下来，让我们以提取学术论文中规整和复杂的表格为例，详细介绍下具体使用方法。本次的案例论文为：【数字经济与长三角区域一体化发展——基于空间面板模型的分析】

2.1 提取规整表格

提取表4，考虑该表格在论文第5页，因此设置pages="5".

首先，需要定位表格所在位置

import camelot
import seaborn as sns  #笔者jupyter背景较暗,此库只用来明亮背景
sns.set()

def extract_table(filepath,pages,table_area=['100,600,600,100']):
    table = camelot.read_pdf(filepath,
                                flavor="stream",
                                pages=pages,
                                table_areas = table_area)
    return table[0]

table = extract_table("论文.pdf",'5')
plt = camelot.plot(table,kind="textedge")
plt.show()

根据绘图结果，我们可以知道表格横向范围大致在90-600之间，纵向范围在100-200之间，因此我们设置table_areas为

[90，200，600，100]。提取结果如下：

从结果来看，对于这种规整性表格可以完美提取！

2.2 提取复杂表格

现提取论文第6页的表6，如下所示

同理，我们可以按照以上方式先确定位置，再进行提取，这里直接放结果

从结果来看，提取效果依然是不错的，特别是空行的处理！这里，我们再导入Excel看下效果。从图可知，基本上只要再微调下，就与原表格保持一致。

此外，如果遇到更加复杂的表格，还可以通过设置split_text和row_col进行微调，这里可参照Camelot参数进阶设置进行学习。

三、优缺点分析

优点：一旦给定表格位置后，识别效果较为优秀。（有兴趣的小伙伴也可以去了解下pdfplumber库，它与Camelot的识别结果差异还是挺大的）

缺点：无法批量导出表格，如要精准识别每次还需要人为给定表格位置，效率较低。此外，Camelot及pdfplumber只能识别文字性的pdf文档，对图片型的pdf文档不能有效识别。对于这一部分的识别，还是得依靠一些深度学习算法实现，期待未来大佬们的开发。

全部代码

import camelot
import seaborn as sns  #笔者jupyter背景较暗,此库只用来明亮背景
sns.set()

def extract_table(filepath,pages,table_area=['100,600,600,100']):
    table = camelot.read_pdf(filepath,
                                flavor="stream",
                                pages=pages,
                                table_areas = table_area)
    return table[0]

#定位
table = extract_table("论文.pdf",'5')
plt = camelot.plot(table,kind="textedge")
plt.show()

#提取
extract_table('论文.pdf','5',['90,200,600,100']).df

以上就是本次分享的全部内容~