Camelot | 三行代码提取PDF表格数据

本文来自『机器之心编译』(almosthuman2014)

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。

Camelot | 三行代码提取PDF表格数据_第1张图片

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

>>> tables[0]
 # 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。

Camelot | 三行代码提取PDF表格数据_第2张图片

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]"

* 凡来源非注明“机器学习算法与Python学习原创”的所有作品均为转载稿件,其目的在于促进信息交流,并不代表本公众号赞同其观点或对其内容真实性负责。

推荐阅读

下载 | 850页>>深度学习与强化学习教程【DeepMind出品】

没有点真的大项目工程经验,你真以为能进大厂的算法岗?

年度最佳教程,Python趣味打怪,147段简单代码助你从入门到大师 | 中文资源

下载 | 经典不衰的资料《神经网络机器学习》

你可能感兴趣的:(Camelot | 三行代码提取PDF表格数据)