如何使用Python在PDF文件中提取表单元格的背景颜色？

Question

我一直在使用Tabula-py，pypdf2和tika模块，但是它们似乎都没有检测到pdf文件中的表单元格的背景颜色。

这些有色单元格在我的问题背景下意味着重要信息。我知道，对于Tabula-Py来说，Tabula-Py是Tabula-Java的包装器，并且该包装器没有提供彩色的单元格信息。 Python中是否有一些易于遵循的解决方案？

提前致谢。

Answer 1

免责声明：我是库borb的作者在此答案中使用的

关于pdf ：pdf并不是“您所看到的是您得到的”格式，是用于渲染说明的容器。这意味着一张桌子实际上只是渲染指令的集合，这些说明绘制了我们人类将其解释为桌子的内容。类似：

• 转到位置x，y
• 将当前的笔触颜色设置为黑色
• 设置当前填充颜色为蓝色
• 将字体设置为helvetica，尺寸12
• 绘制一条线向x，y
• 移动笔向上
• 移动到x，y
• 渲染字符串 每当PDF库从PDF中提取表时， “ Hello World”，

请务必记住这是一种启发式。它基于一些假设。例如“表往往具有大量在90度角相交的线”。

我建议您在borb中查看tableDeTectionBylines。这是一个集体，可以收集上述渲染说明并吐出PDF文档中表的位置。

您将使用它：

from borb.pdf.canvas.layout.table.table import Table, TableCell
from borb.pdf.document.document import Document
from borb.pdf.page.page import Page
from borb.pdf.pdf import PDF
from borb.toolkit.table.table_detection_by_lines import TableDetectionByLines

doc: typing.Optional[Document] = None
with open(input_file, "rb") as input_pdf_handle:
    l: TableDetectionByLines = TableDetectionByLines()
    doc = PDF.loads(input_pdf_handle, [l])

assert doc is not None
tables: typing.List[Table] = l.get_tables_for_page(0)

如下所示，此类不会跟踪中风/填充颜色。但是，您可以轻松地将其子类对其进行修改。

For this, I would start at this particular line 。

Answer 2

某些用户报告了我以前的解决方案的运行不佳。
确实如此，因为PDFPLUMBER的page.Rects并不总是正确地检测到表中的单元格。
有时它只检测到线条，行，上校。
所以我在这里提出了另一种解决方案。

import pdfplumber
from collections import Counter
    

def get_cell_color(image, cell:tuple[int, int, int, int]):
    cropped_image = image.crop(cell)
    pixels = list(cropped_image.convert('RGB').getdata())
    color_counts = Counter(pixels)
    most_common = color_counts.most_common(1)
    return most_common[0][0]


def demo(page):
    """example method: print colored cells information"""
    page_image = page.to_image().original
    tables = page.find_tables()
    
    for table in tables:
        extracted_table = table.extract()
        for row_idx, row in enumerate(table.rows):
            for cell_idx, cell in enumerate(row.cells):
                cell_color = get_cell_color(page_image, cell)
                if cell_color != (255, 255, 255):
                    print(f"cell color: {cell_color}")
                    print(f"cell location: {cell}")
                    print(f"cell content: {extracted_table[row_idx][cell_idx]}")


pdf = pdfplumber.open("/path/to/target.pdf")
page = pdf.pages[0]
demo(page)

Answer 3

我使用

from typing import Optional

import pdfplumber
from pdfplumber.page import Page, Table


def cmyk_to_rgb(cmyk: tuple[float, float, float, float]):
    r = 255 * (1.0 - (cmyk[0] + cmyk[3]))
    g = 255 * (1.0 - (cmyk[1] + cmyk[3]))
    b = 255 * (1.0 - (cmyk[2] + cmyk[3]))
    return r, g, b


def to_bbox(rect: dict) -> tuple[float, float, float, float]:
    return (rect["x0"], rect["top"], rect["x1"], rect["bottom"])


def is_included(cell_box: tuple[float, float, float, float], rect_box: tuple[float, float, float, float]):
    c_left, c_top, c_right, c_bottom = cell_box
    r_left, r_top, r_right, r_bottom = rect_box
    return c_left >= r_left and c_top >= r_top and c_right <= r_right and c_bottom <= r_bottom


def find_rect_for_cell(cell: tuple[float, float, float, float], rects: list[dict]) -> Optional[dict]:
    return next((r for r in rects if is_included(cell, to_bbox(r))), None)


def get_cell_color(cell: tuple[float, float, float, float], page: Page) -> tuple[float, float, float]:
    rect = find_rect_for_cell(cell, page.rects) if cell else None
    return cmyk_to_rgb(rect["non_stroking_color"]) if rect else (255, 255, 255)


pdf = pdfplumber.open("/path/to/target.pdf")
page = pdf.pages[0]
tables: list[Table] = page.find_tables()

# get RGB color of first(= top-left) cell of first table
print(get_cell_color(tables[0].rows[0].cells[0], page)) # => (r, g, b)