使用python处理pdf格式的表

我正在处理一个pdf文件。该pdf中有许多表格。
根据pdf中给出的表名，我想使用python从该表中获取数据

我研究过html、xlm解析，但从未使用过pdf。

---

有人能告诉我如何使用python从pdf中获取表吗？

我认为您需要一个python解析器库。最有名的是

根据文件：

PDFMiner是一种从PDF文档中提取信息的工具。与其他PDF相关工具不同，它完全专注于获取和分析文本数据。PDFMiner允许用户获取页面中文本的确切位置，以及字体或线条等其他信息。它包括一个PDF转换器，可以将PDF文件转换为其他文本格式（如HTML）。它有一个可扩展的PDF解析器，可用于文本分析以外的其他目的

---

这是一个非常复杂的问题，通常无法解决

原因很简单，PDF格式过于灵活。有些PDF只是位图（你必须自己做OCR，显然不是我们这里的主题），有些则是一堆字母从字面上溢出到页面上；这意味着通过解析PDF中的文本信息，可以在某些坐标上获得单个字符。在某些情况下，它们是以有序的方式出现的（一行一行，从左到右），但在某些情况下，你会得到相当随机的分布，最常见的是和之类的，但特殊字符、不同字体的字符等也可能会出格

唯一正确的方法是根据所有字符在页面模型上的坐标放置它们，然后使用启发式方法找出行是什么

我建议在开始之前先看看您的PDF和其中要解析的表。也许他们一直都很相像，而且很容易相处

---

祝你好运

我最近遇到了一个类似的问题，并编写了一个库来帮助解决它：

PDFQuery从PDF创建一个元素树（使用pdfminer，加上一些额外的糖），并允许您使用JQuery或XPath选择器从页面获取元素，主要基于文本内容或元素的位置。因此，要分析表，首先要通过搜索标签找到它在文档中的位置：

label = pdf.pq(':contains("Name of your table")')
left_corner = float(label.attr('x0'))
bottom_corner = float(label.attr('y0'))

然后继续搜索表下的行，直到搜索没有返回结果：

page = label.closest('LTPage')
while 1:
    row = pdf.extract( [
             ('column_1', ':in_bbox("%s,%s,%s,%s")' % (left_corner+10, bottom_corner+40, left_corner+50, bottom_corner+20)),
             ('column_2', ':in_bbox("%s,%s,%s,%s")' % (left_corner+50, bottom_corner+40, left_corner+80, bottom_corner+20))
         ], page)
    if not row['column_1'] or row['column_2']:
        break
    print "Got row:", matches
    bottom_corner -= 20

这假设您的行高20分，第一列从标签下方20分开始，第一列从标签左边缘的10到50点跨越，第二列从标签左边缘的50到80点跨越

---

如果您有空行或高度不同的行，这将变得更烦人。如果表中的条目足够接近，以至于解析器认为它只是一行，那么您可能还需要使用merge_tags=None选项来选择单个字符而不是单词。但希望这能让您更接近……

您可以使用Camelot从PDF中提取表格数据，并将其导出到您喜欢的格式。目前；支持CSV、Excel、JSON和HTML。您可以在以下位置查看文档：。如果你能发布一个链接到你的PDF，那将是很有帮助的。下面是一个通用代码示例：

>>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_csv('file.csv')

>>导入camelot
>>>tables=camelot.read\u pdf（'file.pdf'）
>>>类型（表[0].df）
>>>表[0]。到_csv（'file.csv'））

免责声明：我是图书馆的作者