gpt4 book ai didi

Python-Camelot:三行代码轻松提取PDF表格数据

转载 作者:qq735679552 更新时间:2022-09-27 22:32:09 24 4
gpt4 key购买 nike

CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Python-Camelot:三行代码轻松提取PDF表格数据由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.

Python-Camelot:三行代码轻松提取PDF表格数据

大家好,我是J哥.

PDF 文件是一种非常常用的文件格式,通常用于正式的电子版文件。它能够很好的将不同的排版格式固定下来,形成版面清晰且美观的展示效果。然而,对于想要从 PDF 中提取信息的人们来说,PDF 是个噩梦,尤其是表格.

大量的学术报告、论文、分析文章都使用 PDF 展示其中的表格数据,但是对于如果想要直接从表格中复制数据则会非常麻烦。不久前,有一位开发者提供了一个可从文字 PDF 中提取表格信息的工具——Camelot,能够直接将大部分表格转换为 Pandas 的 Dataframe.

  • 项目地址:https://github.com/camelot-dev/camelot

Camelot 是什么

据项目介绍称,Camelot 是一个 Python 工具,用于将 PDF 文件中的表格数据提取出来.

具体而言,用户可以像使用 Pandas 那样打开 PDF 文件,然后利用这个工具提取表格数据,最后再指定输出的形式(如 csv 文件).

代码示例

项目提供的 PDF 文件如图所示,假设用户需要提取这些文字之间的表格 2-1 中的信息.

Python-Camelot:三行代码轻松提取PDF表格数据

PDF 文件。我们需要提取表格 2-1.

使用 Camelot 提取表格数据的代码如下:

  1. >>> import camelot
  2. >>> tables = camelot.read_pdf('foo.pdf') #类似于Pandas打开CSV文件的形式
  3. >>> tables[0].df # get a pandas DataFrame!
  4. >>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite,可指定输出格式
  5. >>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite, 导出数据为文件
  6. >>> tables
  7. <TableList n=1>
  8. >>> tables[0]
  9. <Table shape=(7, 7)> # 获得输出的格式
  10. >>> tables[0].parsing_report
  11. {
  12. 'accuracy': 99.02,
  13. 'whitespace': 12.24,
  14. 'order': 1,
  15. 'page': 1
  16. }

以下为输出的结果,对于合并的单元格,Camelot 在抽取后做了空行处理,这是一个稳妥的方法.

Python-Camelot:三行代码轻松提取PDF表格数据

安装方法

项目作者提供了三种安装方法。首先,你可以使用 Conda 进行安装,这是最简单的.

  1. conda install -c conda-forge camelot-py

最流行的安装方法是使用 pip 安装.

  1. pip install camelot-py[cv]

还可以从项目中克隆代码,并使用源码安装.

  1. git clone https://www.github.com/camelot-dev/camelot
  2. cd camelot
  3. pip install ".[cv]"

原文地址:https://mp.weixin.qq.com/s/LKsPIuN2Z49uqSZ6-uGzug 。

最后此篇关于Python-Camelot:三行代码轻松提取PDF表格数据的文章就讲到这里了,如果你想了解更多关于Python-Camelot:三行代码轻松提取PDF表格数据的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。

24 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com