从PDF python中提取/识别表[关闭]

Posted 2023-02-24

【中文标题】从PDF python中提取/识别表[关闭]

【英文标题】：Extract / Identify Tables from PDF python [closed]

【发布时间】：2015-04-16 10:52:15

【问题描述】：

是否有任何支持表格识别和提取的开源库？

我的意思是：

识别表结构存在 根据内容对表格进行分类 以有用的输出格式从表中提取数据，例如JSON / CSV 等

我查看了有关此主题的类似问题并发现以下内容：

PDFMiner 解决了问题 3，但似乎用户需要向 PDFMiner 指定每个表存在表结构的位置（如果我错了，请纠正我） pdf-table-extract 试图解决问题 1 但根据 To-Do 列表，当前无法识别由空格分隔的表。这是一个问题，因为我的 PDF 中的所有表格都由空格分隔！

目前，我认为我必须花费大量时间开发机器学习解决方案来识别 PDF 中的表结构。因此，任何替代方法都将受到欢迎！

【问题讨论】：

如果你也可以使用python以外的工具，你可能想看看tabula。

谢谢。肯定会调查的。我热衷于在 python 中找到解决方案，因为可以编写 python 的速度

【参考方案1】：

在探索 OCR 库、边界框和聚类算法许多富有成效的小时后，我找到了一个简单到让你想哭的解决方案！

希望你使用的是 Linux；

pdftotext -layout NAME_OF_PDF.pdf

太棒了！！

现在你有一个漂亮的文本文件，所有信息都排列在漂亮的列中，现在格式化为 csv 等很简单。

正是在这样的时刻，我爱上了 Linux，这些人为所有事情想出了惊人的解决方案，并免费提供！

【讨论】：

链接到文档？例子？如果您提到的图书馆是我怀疑的图书馆，它似乎不符合 1. 或 2. 的标准。

谢谢，这很好用！ :)

天啊，这个效果非常好！！！

我能够在 Windows 10 上获得pdftotext。只需下载适用于 Windows 的 [XPDFTools][1]。 [1]：xpdfreader.com/download.html

它仅适用于数字 pdf，不适用于扫描的 pdf。

【参考方案2】：

你一定要看看我的这个答案：

Extracting table contents from a collection of PDF files

并查看其中包含的所有链接。

Tabula/TabulaPDF是目前最好的可用于PDF抓取的表格提取工具。

【讨论】：

只是关于这个答案有效性的更新......我去年使用tabula 一起破解了一个解决方案，以迭代大约 100 个具有几种共同格式的 PDF。它并不漂亮，但它是最坏中最好的，节省了大量时间。

pypi.python.org/pypi/pdftable 能满足要求吗？

它只适用于基于文本的 pdf，而不适用于图像。有没有类似的东西可以从 pdf 图像中提取数据？

@Sundeep：当然它只能用于基于文本的 PDF。如果要从图像中提取表格，则必须先尝试在图像上运行 OCR（光学字符识别）过程，然后对文本应用表格提取。最终结果的质量很大程度上取决于 OCR 步骤的成功。没有什么可以直接从仅包含图像的 PDF 中提取表格（或文本）。

我正在寻找可以做到这一点的工具，顺便说一句，感谢@KurtPfeifle 提供的信息

【参考方案3】：

我想补充一下来自 Kurt Pfeifle 的非常有帮助的答案 - 现在有一个用于 Tabula 的 Python 包装器，到目前为止这似乎工作得很好：https://github.com/chezou/tabula-py

这会将您的 PDF 表格转换为 Pandas 数据框。您还可以在 x,y 坐标中设置区域，这对于不规则数据显然非常方便。