从 PDF python 中提取/识别表格 [关闭]

Question

关闭。 此问题不符合Stack Overflow 准则。 它目前不接受答案。

---

想改善这个问题吗？ 更新问题，使其成为 Stack Overflow的主题。

3年前关闭。

改进这个问题

是否有任何支持表识别和提取的开源库？

我的意思是：

1. 标识一个表结构存在
2. 根据内容对表格进行分类
3. 以有用的输出格式（例如 JSON / CSV 等）从表中提取数据。

我查看了有关此主题的类似问题，发现以下内容：

• PDFMiner解决了问题 3，但似乎需要用户向 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，但根据待办事项列表，目前无法识别由空格分隔的表。 这是一个问题，因为我的 PDF 中的所有表格都用空格分隔！

目前，我认为我将不得不花费大量时间开发机器学习解决方案来识别 PDF 中的表格结构。 因此，任何替代方法都将受到欢迎！

Answer 1

经过许多富有成效的时间探索 OCR 库、边界框和聚类算法 - 我找到了一个非常简单的解决方案，让您想哭！

我希望你使用的是 Linux；

pdftotext -layout NAME_OF_PDF.pdf

惊人的！！

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

正是在这样的时候，我喜欢 Linux，这些人为所有事情想出了惊人的解决方案，并免费将其放在那里！

Answer 2

你绝对应该看看我的这个答案：

• 从 PDF 文件集合中提取表格内容

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。

Answer 3

我只想补充来自 Kurt Pfeifle 的非常有用的答案 - 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。