使用python处理pdf中的表格

Posted 2023-02-24

【中文标题】使用python处理pdf中的表格

【英文标题】：Working on tables in pdf using python

【发布时间】：2012-04-04 16:39:25

【问题描述】：

我正在处理一个 pdf 文件。该 pdf 中有许多表格。 根据pdf中给出的表名，我想使用python从该表中获取数据。

我从事过 html、xlm 解析，但从未使用过 pdf。 谁能告诉我如何使用 python 从 pdf 中获取表格？

【参考方案1】：

我认为您需要一个 python 解析器库。最著名的是PDFMiner。

根据文档：

PDFMiner 是一个从 PDF 文档中提取信息的工具。与其他 PDF 相关工具不同，它完全专注于获取和分析文本数据。 PDFMiner 允许获取页面中文本的确切位置，以及字体或线条等其他信息。它包括一个 PDF 转换器，可以将 PDF 文件转换为其他文本格式（例如 HTML）。它有一个可扩展的 PDF 解析器，可用于文本分析以外的其他目的。

【参考方案2】：

这是一个非常复杂的问题，一般无法解决。

原因很简单，PDF 格式过于灵活。有些 PDF 只是位图（你必须自己做 OCR——显然不是我们这里的主题），有些是一堆字面上溢出的字母；这意味着通过解析 PDF 中的文本信息，您可以将单个字符放置在某些坐标上。在某些情况下，这些以有序的方式出现（逐行，从左到右），但在某些情况下，您会得到相当随机的分布，最常见的是和东西，还有特殊字符，不同字体的字符等. 可能会不合时宜。

唯一合适的方法是将所有字符根据它们的坐标放置在页面模型上，然后使用启发式方法找出行是什么。

我建议在开始之前查看您的 PDF 以及您想要解析的表格。也许它们一直都是相似的，并且可以很好地解析。

祝你好运！

【参考方案3】：

我最近遇到了类似的问题，写了一个库来帮忙解决：pdfquery.

PDFQuery 从 PDF 创建一个元素树（使用 pdfminer，加上一些额外的糖），并允许您使用 JQuery 或 XPath 选择器从页面中获取元素，主要基于元素的文本内容或位置。所以要解析一个表格，你首先要通过搜索标签来找到它在文档中的位置：

label = pdf.pq(':contains("Name of your table")')
left_corner = float(label.attr('x0'))
bottom_corner = float(label.attr('y0'))

然后您将继续搜索表格下方的行，直到搜索没有返回结果：

page = label.closest('LTPage')
while 1:
    row = pdf.extract( [
             ('column_1', ':in_bbox("%s,%s,%s,%s")' % (left_corner+10, bottom_corner+40, left_corner+50, bottom_corner+20)),
             ('column_2', ':in_bbox("%s,%s,%s,%s")' % (left_corner+50, bottom_corner+40, left_corner+80, bottom_corner+20))
         ], page)
    if not row['column_1'] or row['column_2']:
        break
    print "Got row:", matches
    bottom_corner -= 20

这假设您的行高 20 点，第一行从标签下方 20 点开始，第一列从标签左边缘跨越 10 到 50 点，第二列从 50 到 80 点从标签的左边缘开始。

如果您有空白行或高度不同的行，这将变得更加烦人。如果表中的条目足够接近以使解析器认为它只是一行，则您可能还需要使用 merge_tags=None 选项来选择单个字符而不是单词。但希望这能让你更接近......

【参考方案4】：

您可以使用 Camelot 从 PDF 中提取表格数据并将其导出为您喜欢的格式。现在;支持 CSV、Excel、JSON 和 HTML。您可以查看文档：http://camelot-py.readthedocs.io。如果您可以发布指向您的 PDF 的链接，将会很有帮助。这是一个通用代码示例：

>>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_csv('file.csv')

免责声明：我是图书馆的作者。