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。
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。
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》
