tabula vs camelot 用于从 PDF 中提取表格

Question

我需要从 pdf 中提取表格，这些表格可以是任何类型，多个标题、垂直标题、水平 header 等。

我已经实现了两者的基本用例，发现 tabula 比 camelot 做得好一点，但仍然无法完美地检测所有表，我不确定它是否适用于所有类型。

因此，寻求实施过类似用例的专家的建议。

示例 PDF： PDF1 PDF2 PDF3

表格实施：

import tabula
tab = tabula.read_pdf('pdfs/PDF1.pdf', pages='all')
for t in tab:
    print(t, "\n=========================\n")

卡米洛特实施：

import camelot
tables = camelot.read_pdf('pdfs/PDF1.pdf', pages='all', split_text=True)
tables
for tabs in tables:
    print(tabs.df, "\n=================================\n")

Answer 1

请阅读： https://camelot-py.readthedocs.io/en/master/#why-camelot

Camelot的主要优点是该库参数丰富，您可以通过这些参数改进提取。

显然，这些参数的应用需要一些研究和各种尝试。

在这里您可以找到 Camelot 与其他 PDF 表提取库的比较。

Answer 2

我认为 Camelot 更好地以干净的格式提取数据，而不是混乱（即数据保留了信息并且行内容不受影响）。 因此，在每个单元格的行数不同的情况下，提取的数据质量更好。 ->Tabula 需要一个 Java 运行时环境

有广泛用于从 PDF 文件中提取表格的开放（Tabula，pdf-table-extract）源（smallpdf，PDFTables）工具。 他们要么给出一个不错的 output 要么惨遭失败。 两者之间没有。 这无济于事，因为现实世界中的所有内容，包括 PDF 表提取，都是模糊的。 这导致为每种类型的 PDF 表创建临时表提取脚本。 创建 Camelot 的目的是为用户提供对表提取的完全控制。 如果您无法使用默认设置获得所需的 output，您可以调整它们并完成工作！