瀏覽 pdf 文件以查找特定頁面並使用 python 從圖像中提取表格數據

Question

我遇到了一項任務，該任務要求我從 pdf 文件中的圖像中提取表格數據，以通過 python 代碼整齊地格式化數據幀。 有幾個文件要處理，所有文件中的相關頁面可能有不同的頁碼，因此這個問題的步驟順序（我的假設）是：

1. 導航到 pdf 的相關部分
2. 提取表格數據的圖像
3. 從圖像中提取數據，格式化並轉換為數據幀。

一些谷歌搜索導致我找到了 pdf 文本提取、表格提取等庫 - 僅限模塊化解決方案。

我將不勝感激在這方面的一些幫助。 我應該使用哪些軟件包？ 我的方法正確嗎？ 對於類似問題，我可以獲得任何有用的代碼片段的參考嗎？

所需表的頁面結構

Answer 1

這始於評論。 我相信答案是有效的，因為它絕不是對服務的認可。 我什至不使用它。 我知道 Azure 也使用 SO。

這是商業服務的東西。 您可以嘗試 Azure 表單識別器（與我無關）：

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 等效項是 Textract https://aws.amazon.com/textract

Google Cloud 版本稱為 Form Parser - 請參閱https://cloud.google.com/document-ai/docs/processors-list#processor_form-parser