Python-Camelot：3 行代碼輕松提取PDF表格數(shù)據(jù)

來源 : 機(jī)器之心

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)。

大家好，我是J哥。

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(duì)于想要從 PDF 中提取信息的人們來說，PDF 是個(gè)噩夢(mèng)，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(duì)于如果想要直接從表格中復(fù)制數(shù)據(jù)則會(huì)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
1>
>>>?tables[0]
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(duì)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(jiǎn)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]"