|
機器之心報道 項目作者：vinayak mehta參與：一鳴
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 是個噩夢，尤其是表格。 大量的學(xué)術(shù)報告、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。
Camelot 是什么 據(jù)項目介紹稱，Camelot 是一個 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，這是一個穩(wěn)妥的方法。 安裝方法 項目作者提供了三種安裝方法。首先，你可以使用 Conda 進行安裝，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] 還可以從項目中克隆代碼，并使用源碼安裝。 git clone https://www.github.com/camelot-dev/camelotcd camelotpip install '.[cv]' |
|
|
