Python-Camelot：用三行代码提取 PDF 表格数据

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。

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：

>>>?import?camelot
>>>?tables?=?camelot.read_pdf('foo.pdf')?#类似于Pandas打开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，可指定输出格式
>>>?tables[0].to_csv('foo.csv')?#?to_json,?to_excel,?to_html,?to_sqlite，?导出数据为文件
>>>?tables
<TableList?n=1>
>>>?tables[0]
<Table?shape=(7,?7)>?#?获得输出的格式
>>>?tables[0].parsing_report
{
????'accuracy':?99.02,
????'whitespace':?12.24,
????'order':?1,
????'page':?1
}

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。

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。

conda?install?-c?conda-forge?camelot-py

最流行的安装方法是使用 pip 安装。

pip?install?camelot-py[cv]

还可以从项目中克隆代码，并使用源码安装。

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