python编程：tabula、pdfplumber、camelot进行表格数据识别

本文就目前python图表识别的库进行测试
1、tabula
2、pdfplumber
3、camelot

准备数据

excel：names.xlsx，两个表格
表格1：所有字段都被线条包围
表格2：最外层没有线条包围

将excel另存为pdf：names.pdf

1、tabula

java项目：https://github.com/tabulapdf

自带可视化界面的pdf提取表格数据工具：
https://tabula.technology/

python接口：https://github.com/chezou/tabula-py

安装:

pip install tabula-py

依赖：
Java 7, 8

代码示例：

import tabula

tabula.convert_into(
    input_path="source/names.pdf",
    output_path="source/names.csv",
    output_format='csv'
)

转换出来的names.csv，发现只有表格1被提取出来了，而且不规范，中间多了逗号

"姓名",年龄,性别
"李雷",,20 男
"韩梅梅",,23 女
"赵小三",,25 女

2、pdfplumber

github: https://github.com/jsvine/pdfplumber

安装

pip install pdfplumber

代码示例：

import pdfplumber
import pandas as pd

with pdfplumber.open("source/names.pdf") as pdf:
    # 获取第一页
    first_page = pdf.pages[0]
	
	# 解析文本
    text = first_page.extract_text()
    print(text)
	
	# 解析表格
    tables = first_page.extract_tables()
    for table in tables:
        print(table)
        # df = pd.DataFrame(table[1:], columns=table[0])
        for row in table:
            for cell in row:
                print(cell, end="\t|")
            print()
""" 
表格1:
姓名 年龄 性别
李雷 20 男
韩梅梅 23 女
赵小三 25 女

Table2：
Name Age Gender
Tom 30 Male
Jack 33 Male
Jone 31 Female

[['姓名', '年龄', '性别'], ['李雷', '20', '男'], ['韩梅梅', '23', '女'], ['赵小三', '25', '女']]

姓名	|年龄	|性别	|
李雷	|20	|男	|
韩梅梅	|23	|女	|
赵小三	|25	|女	|

[['30'], ['33']]

30	|
33	|

"""

文本解析的很全，只有表格1解析完全了，表格2只是解析了有框的部分

3、camelot

github: https://github.com/socialcopsdev/camelot

安装：

pip install camelot-py[cv]

示例

import camelot

tables = camelot.read_pdf("source/names.pdf")
tables.export("source/names.csv")

生成2个文件：
source/names-page-1-table-1.csv

"姓名","年龄","性别"
"李雷","20 男",""
"韩梅梅","23 女",""
"赵小三","25 女",""

source/names-page-1-table-2.csv

"Name","Age","Gender"
"Tom","","30 Male"
"Jack","","33 Male"
"Jone","","31 Female"

发现表格2的内容被解析出来了，不过两个表格的内容都错位了

经过测试后，发现这3个库对表格识别都不是太好

总结

库名	说明
tabula	能提取完整表格，提取结果不规范
pdfplumber	能提取完整表格，提取结果较为规范
camelot	能提取完整表格和不完整表格，提取结果不规范