浏览 pdf 文件以查找特定页面并使用 python 从图像中提取表格数据

Question

我遇到了一项任务，该任务要求我从 pdf 文件中的图像中提取表格数据，以通过 python 代码整齐地格式化数据帧。 有几个文件要处理，所有文件中的相关页面可能有不同的页码，因此这个问题的步骤顺序（我的假设）是：

1. 导航到 pdf 的相关部分
2. 提取表格数据的图像
3. 从图像中提取数据，格式化并转换为数据帧。

一些谷歌搜索导致我找到了 pdf 文本提取、表格提取等库 - 仅限模块化解决方案。

我将不胜感激在这方面的一些帮助。 我应该使用哪些软件包？ 我的方法正确吗？ 对于类似问题，我可以获得任何有用的代码片段的参考吗？

所需表的页面结构

Answer 1

这始于评论。 我相信答案是有效的，因为它绝不是对服务的认可。 我什至不使用它。 我知道 Azure 也使用 SO。

这是商业服务的东西。 您可以尝试 Azure 表单识别器（与我无关）：

https://docs.microsoft.com/en-us/azure/applied-ai-services/form-recognizer

以下是一些如何使用它的 python 示例：

https://docs.microsoft.com/en-us/azure/applied-ai-services/form-recognizer/how-to-guides/try-sdk-rest-api?pivots=programming-language-python

AWS 等效项是 Textract https://aws.amazon.com/textract

Google Cloud 版本称为 Form Parser - 请参阅https://cloud.google.com/document-ai/docs/processors-list#processor_form-parser