百度360必应搜狗淘宝本站头条
python类型转换python串口编程python计时python异常python进度条
当前位置：网站首页 > 技术资源 > 正文

Python 超强大的PDF表格提取器—Camelot

off999 2024-09-21 20:59 37 浏览 0 评论

如果你有从PDF中批量提取表格的需求，那么这篇文章就是你的福音。

Python 第三方模块 Camelot 能够精准识别PDF中的表格信息，并提取为pandas数据结构，而且还能导出为多种格式：JSON，Excel，HTML和Sqlite。

下面给大家介绍这个模块的使用方法：

1.准备



开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，可以访问这篇文章：超详细Python安装指南 进行安装。

如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.

此外，推荐大家用VSCode编辑器，它有许多的优点：Python 编程的最好搭档—VSCode 详细指南。

请选择以下任一种方式输入命令安装依赖：
1. Windows 环境 打开 Cmd (开始-运行-CMD)。
2. MacOS 环境 打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器 或 Pycharm，可以直接使用界面下方的Terminal.

pip install camelot-py[cv]


2.使用



最简单的使用方式如下：

import camelot
# 1.读取pdf
tables = camelot.read_pdf('foo.pdf', flavor='stream')
# 2.导出pdf所有的表格为csv文件
tables.export('foo.csv', f='csv') # json, excel, html, sqlite


第一行，导入camelot这个模块。

第二行，以stream的模式读取当前目录的foo.pdf文件。

第三行，将所有表格数据导出为 foo.csv 文件，并保存在当前文件夹下。

相当简单，请注意，read_pdf 的 flavor 参数是可选的，如果你不带这个参数，请注意需要安装 ghostscript 这个驱动，因为它默认使用 ghostscript 去用 lattice 模式。

3.进阶



3.1 处理背景线：



可以看到，很多表格的线都隐藏在背景中。这种表格默认是不支持的，这时候我们需要让程序能够自动识别这样的表格：


tables = camelot.read_pdf('background_lines.pdf', process_background=True)


增加 process_background=True 参数即可。

3.2 指定表格区域

某些情况下无法正确识别到PDF中的表格，此时手动设定左上角和右下角的边界可能是有效果的：

tables = camelot.read_pdf('table_areas.pdf', flavor='stream', table_areas=['316,499,566,337'])


其中 table_areas 接受格式为 x1，y1，x2，y2 的字符串，其中(x1，y1) -> 左上角, (x2，y2) -> 右下角。在PDF坐标空间中，页面的左下角是原点，坐标为（0，0）。

相关推荐

笔记本无音频输出设备（笔记本无音频输出设备）

1、没有声卡驱动，解决方法就是找到笔记本的官网，下载电脑声卡的驱动安装即可。2、没有外界的音频播放设备，解决方法就是买一个外界的音频播放设备插到电脑主机的音频接口上即可。笔记本电脑显示未安装任何音频输...

iso文件能用手机打开吗（iso文件能用手机打开吗安全吗）

一般的压缩软件就可以打开的，比如，好压软件，这个打开只是解压形式的，如果你说的是运行iso文件，这个没有，况且安卓系统也不支持iso运行ISO文件一般用于光盘镜像文件的存储，如果想要在手机上运行ISO...

win7系统卡顿怎么优化（win7很慢很卡怎么优化）

1、首先打开安全卫士，进入安全卫士首页，单击软件窗口右下角的“更多”图标，打开扩展应用程序。2、单击选择“我的工具”。3、在我的工具菜单里面找到“人工服务”单击打开人工服务。4、在人工服务对话框有很多...

如何查看c盘微信聊天记录（如何查看c盘微信聊天记录内存大小）

微信群中的消息只要没删除基本都能保存，想要找微信群中几个多月前的消息可以直接根据日期来查找聊天记录。操作如下：1、打开想要查找记录的微信群，点击右上角人形图标；2、点击查找聊天内容；3、选择按日...

office2016家庭版激活密钥（office家庭版激活码2019）

走淘宝吧，因为零售版的密钥只能用一次。大概几块钱就能激活2016。如果你不在乎钱的话可以向我一样，订阅一个office365.实在不行可以和几个人一起买一个家庭版的365.出现这个情况，找微软申诉是没...

移动硬盘驱动器下载安装（移动硬盘驱动器下载安装教程）

1、右键单击您的桌面，选择“新建文件夹”，并命名该文件夹(例如“usb驱动程序”)；2、然后到本站下载驱动程序；3、将其解压缩至在您的桌面上刚刚创建的usb驱动程序文件夹；4、单击开始菜单，然后选择设...

电脑硬盘格式化工具（电脑 格式化硬盘）

硬盘格式化工具很多，PQMACGIG8.0（中文就叫硬盘分区魔法师）是比较好的一个，这个是在WINDOWS下比叫好用，（个人感觉）FDISK也是比较好的一个，这个一般用在DOS下分区格式化WIN...

photoshop是一款什么软件（ps指的是什么软件）

这个说法是错误的，ps软件“即：photoshop”是由美国著名的“adobe阿多比”公司出品的专业的图像处理软件，它不是由微软公司出品的软件。众所周知的是，微软公司以设计视窗操作系统名满全球，它出...

ipad越狱的好处与坏处（ipad越狱好不好）

　　好处一：　　1、重命名、重组应用程序　　如果你看着Sparrow(iOS最优秀邮件客户端)这个名字不爽，越狱之后就可以改成“Email”，如果你觉得“豆瓣电台”这个名字不给力，那就改成“中央人民广...

win7光盘重装系统步骤图解（win7光盘如何重装系统）

1.确认您的电脑支持从光盘启动。如果支持，可以直接将Windows7安装光盘插入电脑的光驱中。 2.打开电脑，按下F2、F10、F12或Delete等键进入BIOS设置界面。 ...

电脑已联网却无法上网（电脑已经联网了但是不能上网）

电脑连上网后，仍可能存在无法上网的情况，这可能是由多种原因造成的。以下是一些可能的原因和解决方法：1.浏览器问题：有时候，浏览器可能会出现故障，导致无法正常访问网络。您可以尝试清除浏览器的缓存和co...

u盘价格一览表（u盘单价）

不同品牌价格不同，不同内存价格也不同，例如8g、16g、32g、64g等多种容量大小的，根据容量的不同，报价在29元到120元之间不等。闪存盘虽然小，但相对来说却有很大的存储容量。U盘大多能够存储比一...

windows查看ip命令（windows如何查看ip地址）

查看电脑IP：    1)使用Windows+R键打开“运行”窗口，然后输入CMD进入命令提示窗口2)进入命令窗口之后，输入：ipconfig/all回车即可...

内存条的作用（内存条的作用和参数配置）

内存条是存储电脑运行所需的数据和程序，帮助CPU快速读取和运行，提高计算机的运行速度和处理能力。内存条也被称为随机存取存储器（RAM），是电脑中非常必要的一个组件。常见的内存条类型有DDR、DDR2、...

autocad2012安装失败（autocad2012无法安装）

如果您遇到CAD2012安装不了的问题，可能有几个原因导致这种情况。以下是一些常见的解决方法：1.确保系统要求：首先，请确保您的计算机符合CAD2012的系统要求。检查您的操作系统版本、内存、处理器...

取消回复欢迎 你 发表评论:

一周热门
最近发表
标签列表
Copyright Your WebSite.Some Rights Reserved.