如何使用Python从PDF中将表格提取为文本？

我有一个包含表格、文本和一些图像的PDF。我想在PDF中的任何位置提取表

现在我正在手动从页面中查找表。从那里，我捕获该页面并保存到另一个PDF

import PyPDF2

PDFfilename = "Sammamish.pdf" #filename of your PDF/directory where your PDF is stored

pfr = PyPDF2.PdfFileReader(open(PDFfilename, "rb")) #PdfFileReader object

pg4 = pfr.getPage(126) #extract pg 127

writer = PyPDF2.PdfFileWriter() #create PdfFileWriter object
#add pages
writer.addPage(pg4)

NewPDFfilename = "allTables.pdf" #filename of your PDF/directory where you want your new PDF to be
with open(NewPDFfilename, "wb") as outputStream:
    writer.write(outputStream) #write pages to new PDF

我的目标是从整个PDF文档中提取表

• 我建议您使用tabla提取表格
• 将pdf作为参数传递给table api，它将以dataframe的形式返回表
• pdf中的每个表都作为一个数据帧返回
• 该表将在dataframea列表中返回，用于处理所需的dataframe

这是我提取pdf的代码

import pandas as pd
import tabula
file = "filename.pdf"
path = 'enter your directory path here'  + file
df = tabula.read_pdf(path, pages = '1', multiple_tables = True)
print(df)

---

有关更多详细信息，请参阅我的这篇文章。

此答案适用于任何遇到带有图像的PDF并需要使用OCR的人。我找不到可行的现成解决方案；没有什么能给我提供我所需要的准确度

以下是我发现有效的步骤

使用

pdfimages

from将pdf页面转换为图像

用于检测旋转，并用

mogrify

固定旋转

使用OpenCV查找和提取表

使用OpenCV查找并从表中提取每个单元格

使用OpenCV对每个单元格进行裁剪和清理，这样就不会有干扰OCR软件的噪音

使用Tesseract对每个单元格进行OCR

将每个单元格的提取文本合并为所需的格式

我编写了一个python包，其中的模块可以帮助完成这些步骤

回购：

文档和来源：

有些步骤不需要代码，它们利用了外部工具，如

pdfimages

和

teseract

。我将为确实需要代码的两个步骤提供一些简短的示例

查找表：

在了解如何查找表时，此链接是一个很好的参考

从表中提取单元格

这与2非常相似，因此我不会包含所有代码。我将参考的部分是对单元格进行排序

我们想从左到右，从上到下识别细胞

我们将找到最左上角的矩形。然后我们将找到所有中心位于左上角矩形上y和下y值范围内的矩形。然后我们将根据矩形中心的x值对其进行排序。我们将从列表中删除这些矩形并重复

def cell_in_same_row(c1, c2):
    c1_center = c1[1] + c1[3] - c1[3] / 2
    c2_bottom = c2[1] + c2[3]
    c2_top = c2[1]
    return c2_top < c1_center < c2_bottom

orig_cells = [c for c in cells]
rows = []
while cells:
    first = cells[0]
    rest = cells[1:]
    cells_in_same_row = sorted(
        [
            c for c in rest
            if cell_in_same_row(c, first)
        ],
        key=lambda c: c[0]
    )

    row_cells = sorted([first] + cells_in_same_row, key=lambda c: c[0])
    rows.append(row_cells)
    cells = [
        c for c in rest
        if not cell_in_same_row(c, first)
    ]

# Sort rows by average height of their center.
def avg_height_of_center(row):
    centers = [y + h - h / 2 for x, y, w, h in row]
    return sum(centers) / len(centers)

rows.sort(key=avg_height_of_center)

同一行（c1、c2）中的def单元： c1_中心=c1[1]+c1[3]-c1[3]/2 c2_底部=c2[1]+c2[3] c2_top=c2[1] 返回c2_顶部如果您的pdf是基于文本的，而不是扫描的文档（即，如果您可以在pdf查看器中单击并拖动以选择表格中的文本），则您可以使用带有

导入camelot
tables=camelot.read\u pdf（'foo.pdf'）

然后，您可以选择如何保存表（作为csv、json、excel、html、sqlite），以及是否应在ZIP存档中压缩输出

tables.export（'foo.csv'，f='csv'，compress=False）

---

编辑：显示速度大约是camelot py的6倍，因此应改用它

导入camelot
导入cProfile
输入pstats
进口表格
cmd\u tabla=“tabla.read\u pdf（'table.pdf'，pages='1'，lattice=True）”
prof_tabla=cProfile.Profile（）.run（cmd_tabla）
时间表格=统计数据（表格教授）。总计
cmd\u camelot=“camelot.read\u pdf（'table.pdf'，page='1'，flavor='lattice'）”
prof_camelot=cProfile.Profile（）.run（cmd_camelot）
时间\u camelot=pstats.Stats（教授\u camelot）.total\u tt
打印（时间列表、时间列表、时间列表/时间列表）

给予

1.84955598900000015 11.057014036000016 5.978199147125147

这只适用于基于文本的PDF，而不适用于扫描的PDF。如果扫描的PDF使用图像处理技术，则有很多工具

def cell_in_same_row(c1, c2):
    c1_center = c1[1] + c1[3] - c1[3] / 2
    c2_bottom = c2[1] + c2[3]
    c2_top = c2[1]
    return c2_top < c1_center < c2_bottom

orig_cells = [c for c in cells]
rows = []
while cells:
    first = cells[0]
    rest = cells[1:]
    cells_in_same_row = sorted(
        [
            c for c in rest
            if cell_in_same_row(c, first)
        ],
        key=lambda c: c[0]
    )

    row_cells = sorted([first] + cells_in_same_row, key=lambda c: c[0])
    rows.append(row_cells)
    cells = [
        c for c in rest
        if not cell_in_same_row(c, first)
    ]

# Sort rows by average height of their center.
def avg_height_of_center(row):
    centers = [y + h - h / 2 for x, y, w, h in row]
    return sum(centers) / len(centers)

rows.sort(key=avg_height_of_center)