365bet平台返利_365bet足彩论坛_365bet和体育彩票课堂

?找回密码
?立即注册

QQ登录

只需一步,快速开始

扫一扫,访问微社区

Python新工具:用三行代码提取PDF表格数据

2019-10-16 20:39| 发布者: 198366809| 查看: 1| 评论: 0|原作者: 198366809

摘要: 从 PDF 表格中获取数据是一项痛苦的工作。不久前,一位开发者提供了一个名为 Camelot 的工具,使用三行代码就能从 PDF 文件中提取表格数据。 PDF 文件是一种非常常用的文件格式,通常用于正式的电子版文件。它能够很 ...
从 PDF 表格中获取数据是一项痛苦的工作。不久前,一位开发者提供了一个名为 Camelot 的工具,使用三行代码就能从 PDF 文件中提取表格数据。

PDF 文件是一种非常常用的文件格式,通常用于正式的电子版文件。它能够很好的将不同的排版格式固定下来,形成版面清晰且美观的展示效果。然而,对于想要从 PDF 中提取信息的人们来说,PDF 是个噩梦,尤其是表格。大量的学术报告、论文、分析文章都使用 PDF 展示其中的表格数据,但是对于如果想要直接从表格中复制数据则会非常麻烦。不久前,有一位开发者提供了一个可从文字 PDF 中提取表格信息的工具——Camelot,能够直接将大部分表格转换为 Pandas 的 Dataframe。
Camelot 是什么据项目介绍称,Camelot 是一个 Python 工具,用于将 PDF 文件中的表格数据提取出来。具体而言,用户可以像使用 Pandas 那样打开 PDF 文件,然后利用这个工具提取表格数据,最后再指定输出的形式(如 csv 文件)。代码示例项目提供的 PDF 文件如图所示,假设用户需要提取这些文字之间的表格 2-1 中的信息。PDF 文件。我们需要提取表格 2-1。使用 Camelot 提取表格数据的代码如下:
>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf') #类似于Pandas打开CSV文件的形式
>>> tables[0].df # get a pandas DataFrame!
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite,可指定输出格式
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite, 导出数据为文件
>>> tables
>>> tables[0]
# 获得输出的格式
>>> tables[0].parsing_report
{? ?
'accuracy': 99.02,? ?
'whitespace': 12.24,? ?
'order': 1,? ?
'page': 1
}
以下为输出的结果,对于合并的单元格,Camelot 在抽取后做了空行处理,这是一个稳妥的方法。安装方法项目作者提供了三种安装方法。首先,你可以使用 Conda 进行安装,这是最简单的。
conda install -c conda-forge camelot-py
最流行的安装方法是使用 pip 安装。
pip install camelot-py[cv]
还可以从项目中克隆代码,并使用源码安装。
cd camelotpip
install ''.[cv]''

相关阅读

最新评论

热门文章

QQ|免责声明|本站介绍|365bet平台返利_365bet足彩论坛_365bet和体育彩票课堂 ( 沪ICP备14007696号-3 )|网站地图

GMT+8, 2019-10-16 20:39 , Processed in 0.043622 second(s), 41 queries .

Powered by Discuz! X3.4

? 2001-2017 Comsenz Inc.

返回顶部