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(xiàng)痛苦的工作。不久前，一位開發(fā)者提供了一個(gè)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(gè)噩夢，尤其是表格。
大量的學(xué)術(shù)報(bào)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(gè)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(xiàng)目地址：https://github.com/camelot-dev/camelot
Camelot 是什么
據(jù)項(xiàng)目介紹稱，Camelot 是一個(gè) 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(gè)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(xiàng)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(gè)穩(wěn)妥的方法。
安裝方法
項(xiàng)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(xiàng)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
這篇文章主要介紹了淺談Selenium 控制瀏覽器的常用方法，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(jià)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2020-12-12
Python在for循環(huán)里處理大數(shù)據(jù)的推薦方法實(shí)例
這篇文章主要介紹了Python在for循環(huán)里處理大數(shù)據(jù)的推薦方法實(shí)例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2024-01-01
pyspark?dataframe列的合并與拆分實(shí)例
這篇文章主要介紹了pyspark?dataframe列的合并與拆分實(shí)例，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-03-03
Python中的元組和列表很相似，元組也是Python語言提供的內(nèi)置數(shù)據(jù)結(jié)構(gòu)之一，可以在代碼中直接使用，這篇文章主要介紹了Python中元組的概念以及應(yīng)用,需要的朋友可以參考下2023-01-01
python操作excel的包(openpyxl、xlsxwriter)
這篇文章主要為大家詳細(xì)介紹了python操作excel的包，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-06-06
使用tensorflow根據(jù)輸入更改tensor shape
這篇文章主要介紹了使用tensorflow根據(jù)輸入更改tensor shape，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-06-06
這篇文章主要介紹了python爬蟲系列之初識爬蟲，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(jià)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2019-04-04
SQLAlchemy是一個(gè)基于Python實(shí)現(xiàn)的ORM框架,能滿足大多數(shù)數(shù)據(jù)庫操作需求,同時(shí)支持多種數(shù)據(jù)庫引擎（SQLite,MySQL,Postgresql,Oracle等）,這篇文章主要介紹了SQLAlchemy的主要組件有哪些,本文給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)具有一定的參考借鑒價(jià)值，需要的朋友可以參考2023-08-08
這篇文章主要介紹了python??Matplotlib繪圖直線,折線,曲線,文章圍繞主題展開詳細(xì)的內(nèi)容介紹，具有一定的參考價(jià)值，需要的小伙伴可以參考一下2022-09-09
今天小編就為大家分享一篇關(guān)于Tensorflow分布式并行策略，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-02-02