Python 解析财务报表中的表格数据（pdf to tables）

解析PDF常用组件（PdfBox、iText、Tika等）都无法将表格数据解析成有规则的格式。解析后格式基本是TEXT、XHTML等导致处理表格数据变的非常复杂，基本需要全枚举+正则才能处理个70-80%。最近看到Python可以解析表格于是尝试了一下，不过要想让数据可用，还存在很多问题待解决。
PDF文件截图

Tika解析PDF文件
1、TEXT格式

Tika tika = new Tika();
tika.setMaxStringLength(100 * 1024 * 1024);
try (InputStream stream = new FileInputStream(new File("600060_2018_zB.pdf"))) {
	return tika.parseToString(stream);
}

Text格式解析结果

2、XHTML格式

		
ContentHandler handler = new ToXMLContentHandler();
AutoDetectParser parser = new AutoDetectParser();
Metadata metadata = new Metadata();
try (InputStream stream = new FileInputStream(new File("600060_2018_zB.pdf"))) {
	parser.parse(stream, handler, metadata);
	return handler.toString();
}

XHTML格式解析结果

Python解析表格
1、前十名股东表格原始数组

2、处理过的财务指标

3、处理过单位后的快报数据

暂时还不通用存在一些问题，如换行、表头、每列占用单元格个数不统一、分页等。