使用python處理pdf表

Question

我正在處理pdf文件。 該pdf中有許多表格。
根據pdf中提供的表名，我想使用python從該表中獲取數據。

我從事過html，xlm解析，但從未使用過pdf。
誰能告訴我如何使用python從pdf獲取表格？

Answer 1

最近我遇到了類似的問題，並寫了一個庫來幫助解決它： pdfquery 。

PDFQuery通過PDF創建一個元素樹（使用pdfminer，並帶有一些額外的糖），並允許您使用JQuery或XPath選擇器從頁面中獲取元素，這些元素主要基於元素的文本內容或位置。 因此，要解析一個表，您首先需要通過搜索標簽來找到它在文檔中的位置：

label = pdf.pq(':contains("Name of your table")')
left_corner = float(label.attr('x0'))
bottom_corner = float(label.attr('y0'))

然后，您將繼續搜索表格下方的行，直到搜索未返回結果為止：

page = label.closest('LTPage')
while 1:
    row = pdf.extract( [
             ('column_1', ':in_bbox("%s,%s,%s,%s")' % (left_corner+10, bottom_corner+40, left_corner+50, bottom_corner+20)),
             ('column_2', ':in_bbox("%s,%s,%s,%s")' % (left_corner+50, bottom_corner+40, left_corner+80, bottom_corner+20))
         ], page)
    if not row['column_1'] or row['column_2']:
        break
    print "Got row:", matches
    bottom_corner -= 20

假設您的行高20點，第一行從標簽下方開始20點，第一列從標簽的左邊緣起10到50點，第二列從左側的50到80點標簽的邊緣。

如果您有空白行或高度不同的行，這將變得更加煩人。 如果表中的條目足夠接近以至於使解析器認為它只是一行，那么您可能還需要使用merge_tags = None選項來選擇單個字符而不是單詞。 但是希望這可以使您更接近...

Answer 2

我認為您需要一個python解析器庫。 最著名的是PDFMiner 。

根據文檔：

PDFMiner是用於從PDF文檔提取信息的工具。 與其他PDF相關工具不同，它完全專注於獲取和分析文本數據。 PDFMiner允許人們獲取頁面中文本的確切位置，以及字體或線條等其他信息。 它包括一個PDF轉換器，可以將PDF文件轉換為其他文本格式（例如HTML）。 它具有可擴展的PDF解析器，可用於文本分析以外的其他目的。

Answer 3

這是一個非常復雜的問題，通常無法解決。

原因僅僅是因為PDF格式過於靈活。 有些PDF只是位圖（那么您將不得不做自己的OCR，顯然不是這里的主題），有些是從字面上散落的一堆字母； 這意味着通過解析PDF中的文本信息，您可以將單個字符放置在某些坐標上。 在某些情況下，這些內容以有序的方式排列（從左到右逐行），但在某些情況下，您會得到類似隨機的分布，最常見的是和，還有特殊字符，不同字體的字符等。可能會脫節。

唯一正確的方法是，根據所有字符的坐標將它們放置在頁面模型上，然后使用試探法找出行。

我建議在開始之前先查看您的PDF及其要解析的表。 也許它們一直都是一樣且可解析。

祝好運！

Answer 4

您可以使用Camelot從PDF中提取表格數據並將其導出為您喜歡的格式。 目前; 支持CSV，Excel，JSON和HTML。 您可以在以下位置查看文檔： http : //camelot-py.readthedocs.io 。 如果您可以將鏈接發布到PDF，則將很有幫助。 這是一個通用代碼示例：

>>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_csv('file.csv')

免責聲明：我是圖書館的作者。