python-3.x - 如何使用python-camelot获取表格坐标？

Question

我正在尝试解析一些 pdf 文件以提取一些关键信息。每个 pdf 中有许多表格包含这些信息的一部分。所以我尝试使用camelot来提取表格，我得到了很好的结果，但我想提取每个表格的标题，因为我想用它的标题为每个表格做一个映射。所以我尝试使用 tables[i]._bbox 来获取每个表的坐标。然后为这些坐标添加一些边距以检测表格标题的区域(可以在表格的顶部、左侧或底部)，如图所示:title of table on the left

title of the table on the top

谁能告诉我如何使用python根据表格坐标从pdf中获取包含表格标题的红色区域的坐标？

Answer 1

您可以直接创建 PDF 解析器。例如 Lattice :

parser = Lattice(**kwargs)
for p in pages:
    t = parser.extract_tables(p, suppress_stdout=suppress_stdout,
                                          layout_kwargs=layout_kwargs)
    tables.extend(t)

那么您就可以访问 parser.layout它包含页面中的所有组件。这些组件都有 bbox (x0, y0, x1, y1)并且提取的表也有 bbox目的。您可以找到最接近表格的组件并提取其文本和坐标。
如果您不想更改在 Camelot 中调用表提取的方式，您可以再次解析 PDF:

from camelot import utils
layout, dim = utils.get_page_layout(file_name)