如何从PDF文档中提取表作为结构化数据？

Question

我正在尝试从pdf文档中提取一张表（包括结构）（示例）。这不是扫描/图像，因此请专注于非OCR解决方案。 OCR表提取在这里。 简单的文本提取在这里

我尝试了pdf - ＆gt; html-＆gt;提取表。我上面提到的PDF转换为HTML会产生垃圾，也许由于字体，文档不使用英语。

使用X和Y坐标提取PDF不是一个选项，因为该解决方案需要从上面提到的URL提及的将来的PDF工作，该pdf将具有表格，但并非总是处于相同的位置。

Answer 1

从PDF文档中提取表非常困难，因为PDF不包含语义层。

Camelot

您可以尝试 camelot ，即使与其网络结合接口 excalibur ：

>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf')
>>> tables
<TableList n=1>
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, markdown, sqlite
>>> tables[0]
<Table shape=(7, 7)>
>>> tables[0].parsing_report
{
    'accuracy': 99.02,
    'whitespace': 12.24,
    'order': 1,
    'page': 1
}
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_markdown, to_sqlite
>>> tables[0].df # get a pandas DataFrame!

另请参阅 python-camelot

tabula

可以

pip install tabula-py

通过仅是Java项目的包装纸。

它是这样使用的：

import tabula

# Read pdf into list of DataFrame
dfs = tabula.read_pdf("test.pdf", pages='all')

另请参阅：

• 使用Tabula读取特定表
• class =“ post-tag” title =“显示问题标记为'tabula'” aria-label =“显示问题标记为'tabula'” rel =“ tag” aria-labelledby =“ tabula-container”> tabula

aws textract

我最近没有尝试过，但是 aws textract 索赔：

Amazon Xtract可以在文档中提取表，并在表中提取单元格，合并的单元格和柱标头。

pdfplumber

pdfplubmer表提取方法：

import pdfplumber

pdf = pdfplumber.open("example.pdf")
page = pdf.pages[0]
page.extract_table()

另请参见

• stackoverflow.com/q/61387304/562769"> tabula vs Camelot

Answer 2

PDF不包含明确的表数据。它仅包含我们倾向于将其解释为表的线条和字形。因此，您的任务涉及将我们的人桌识别功能纳入代码，这是一项非常重要的任务。

一般来说，如果您肯定会以非常相似的方式生成同一软件的未来PDF，那么 可能值得花时间调查文件，以便一些易于遵循的提示以识别内容单个领域。

但是，您的特定文档还有其他缺点：它不包含直接文本提取的所需信息！您可以尝试复制＆amp;从Adobe Reader粘贴，您（至少我会做）Winansi系列的半随机角色。

这是由于该文档中的所有字体声称它们都使用winansiencoding的事实，即使以这种方式引用的角色并非来自winansi角色选择。

因此，毕竟不可能从文档中提取可靠的文本提取！

（尝试从Adobe读取器中粘贴的复制＆amp;通常是一个很好的首次测试，是否完全可行；读取器的文本提取方法已经开发了很多年，因此已经变得相当不错。如果您不能提取任何内容对于Acrobat Reader来说，文本提取确实是一项非常艰巨的任务。）

Answer 3

您可以使用Tabula：
http://tabula.nerdpower.org
它是免费的，有点易于使用

Answer 4

一种选项是使用pdf-table-extract：。