Python新器材：用三行代码提取PDF表格数据

从 PDF 表格中获取数据是一项疾苦的事变。不久前，一位开拓者提供了一个名为 Camelot 的器材，行使三行代码就能从 PDF 文件中提取表格数据。

PDF 文件是一种非经常用的文件名目，凡是用于正式的电子版文件。它可以或许很好的将差异的排版名目牢靠下来，形成版面清楚且雅观的展示结果。然而，对付想要从 PDF 中提守信息的人们来说，PDF 是个恶梦，尤其是表格。

大量的学术陈诉、论文、说明文章都行使 PDF 展示个中的表格数据，可是对付假如想要直接从表格中复制数据则会很是贫困。不久前，有一位开拓者提供了一个可从笔墨 PDF 中提取表格信息的器材——Camelot，可以或许直接将大部门表格转换为 Pandas 的 Dataframe。

• 项目地点：https://github.com/camelot-dev/camelot

Camelot 是什么

据项目先容称，Camelot 是一个 Python 器材，用于将 PDF 文件中的表格数据提取出来。

详细而言，用户可以像行使 Pandas 那样打开 PDF 文件，然后操作这个器材提取表格数据，最后再指定输出的情势（如 csv 文件）。

代码示例

项目提供的 PDF 文件如图所示，假设用户必要提取这些笔墨之间的表格 2-1 中的信息。

PDF 文件。我们必要提取表格 2-1。

行使 Camelot 提取表格数据的代码如下：

>>> import camelot 
>>> tables = camelot.read_pdf('foo.pdf') #相同于Pandas打开CSV文件的情势 
>>> tables[0].df # get a pandas DataFrame! 
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite，可指定输格外式 
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite， 导出数据为文件 
>>> tables 
<TableList n=1> 
>>> tables[0] 
<Table shape=(7, 7)> # 得到输出的名目 
>>> tables[0].parsing_report 
{ 
 'accuracy': 99.02, 
 'whitespace': 12.24, 
 'order': 1, 
 'page': 1 
} 

以下为输出的功效，对付归并的单位格，Camelot 在抽取后做了空行处理赏罚，这是一个稳妥的要领。

安装要领

项目作者提供了三种安装要领。起首，你可以行使 Conda 举办安装，这是最简朴的。

conda install -c conda-forge camelot-py 

最风行的安装要领是行使 pip 安装。

pip install camelot-py[cv] 

还可以从项目中克隆代码，并行使源码安装。

git clone https://www.github.com/camelot-dev/camelot 
cd camelot 
pip install ".[cv]" 

【编辑保举】

1. 用Python说明国庆旅游景点，汇报你哪些处所好玩、自制、人又少
2. 四年完成400万行Python代码搜查，乃至随手写了个编译器
3. Python 从入门到能干：一个月就够了！
4. Python 带你来一次说走就走的举世观光

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!