Python新工具：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(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
- <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(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
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]"
