本文已参与「新人创作礼」活动，一起开启掘金创作之路。
工作要效率，大数据时代，获取信息也要效率，只用不断的造轮子，才能不断的提高效率，今天介绍一下一款可以直接从pdf格式的文档中提取表格中数据的工具，！！！
一、的介绍和安装1. 介绍
: 一个友好的PDF表格数据抽取工具
一个命令行工具，使任何人都能很轻松的从PDF文件中抽取表格数据。
使用从PDF文档提取数据非常简单
2. 的安装
有三种安装方式：
pip 安装
pip -py[cv]
conda安装
conda -c conda-forge -py
源码安装
git clone …cd “.[cv]”
注意：
如果后面导入库包的时候，出现错误，可能是缺少包，用pip 安装即可。
3. 其他
源码参考文档：/…使用文档：-py..io/en//
二、的使用1. 快速入门使用
从一个pdf文件中提取出表格：
>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf')
>>> tables
<TableList n=1>
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html
>>> 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') # 也可以提取成其他格式 to_json, to_excel, to_html
>>> tables[0].df # 获取一个pandas DataFrame!
2. 详细说明
上面的例子的说明：1、创建一个表格对象
>>> tables = camelot.read_pdf('foo.pdf')
>>> tables
<TableList n=1> # 只检测到一个表格
默认情况下，仅使用PDF的第一页来提取表。要指定多个页面，可以使用pages关键字参数：
>>> camelot.read_pdf('your.pdf', pages='1,2,3')
也可以使用命令行执行相同的操作
camelot --pages 1,2,3 lattice your.pdf
该pages关键字参数接受页面页码的逗号分隔的字符串。还可以指定页面范围 – 例如，pages=1,4-10,20-30或pages=1,4-10,20-end。
注意：
如果pdf文件是加密的表格，需要加入参数，值为解密密码
>>> tables = camelot.read_pdf('foo.pdf', password='userpass')
>>>tables
<TableList n=1>
命令行：
camelot --password userpass lattice foo.pdf
目前，仅支持使用ASCII密码和算法代码1或2加密的PDF 。如果无法读取PDF，则抛出异常。这可能是由于未提供密码，密码不正确或加密算法不受支持。
2、查看表的形状（行和列），通过表格索引查看我们可以使用其索引访问每个表。从上面的代码片段中，我们可以看到该对象只有一个表，因为n=1。让我们使用索引访问该表0并查看它shape。
>>> tables[0]
<Table shape=(7, 7)>
3、打印解析报告。
>>> print tables[0].parsing_report
{
'accuracy': 99.02,
'whitespace': 12.24,
'order': 1,
'page': 1
}
从解析的参数的评价标准可以得出，其准确性是很好的，空白较少，这意味着表格最有可能被正确提取。可以使用table对象的df属性将表作为 访问。
4、打印出提取表格中的内容数据格式是 ，因此用df访问
>>> tables[0].df
5、导出表格中的内容可以使用其()方法将表导出为CSV文件。或者可以使用()，或方法表分别导出为JSON格式，Excel，HTML文件或数据库。方法如下：
>>> tables[0].to_csv('foo.csv')
上面的1~5 步骤都可以通过命令行直接完成。
camelot --format csv --output foo.csv lattice foo.pdf
使用的pdf例子的传送门：–>here
3. 两种表格解析（提取）方法1、流解析（）
可用于解析在单元格之间具有空格的表，以模拟表结构。它建立在的功能之上，即使用边距将页面上的字符分组为单词和句子。
PDF页面上的单词根据其y轴重叠分组为文本行。计算文本，然后用于猜测PDF页面上有趣的表区域。您可以阅读Anssi 的硕士论文，以了解有关此表检测技术的更多信息。[见第20,35和40页]然后猜测每个表区域内的列数。这是通过计算每个文本行中的单词数模式来完成的。基于此模式，选择每个文本行中的单词以计算列x范围的列表。然后使用位于当前列x范围内/外的单词来扩展当前列列表。最后，使用文本行的y范围和列x范围形成表格，并且页面上找到的单词基于其x和y坐标分配给表格的单元格。2、格子解析（）
格子本质上更具有确定性，并且它不依赖于猜测。它可用于解析在单元格之间划分了行的表，并且它可以自动解析页面上存在的多个表。
它首先使用将PDF页面转换为图像，然后通过使用应用一组形态变换（侵蚀和膨胀）来处理它以获得水平和垂直线段。
下面介绍处理的步骤：1、检测分割线段
2、通过重叠检测到的线段并叠加”和”它们像素强度来检测线的交叉点。
3、通过再次重叠检测到的线段来计算表边界，这次是“或”它们的像素强度。
4、由于PDF页面的尺寸及其图像不同，因此检测到的表格边界，线条交叉点和线段将缩放并转换为PDF页面的坐标空间，并创建表格的表示。
5、使用线段和线交叉检测生成单元。
6、最后，页面上找到的单词将根据其x和y坐标分配给表格的单元格
三、高级使用1. 处理背景线1. 处理背景线2. 可视调试3. 指定表区域4. 指定列表分隔符5. 沿分隔符拆分文本6. 标记上标和下表7. 从文本中删除字符8. 改善猜测的表区域9. 改进猜测的表行10. 检测短线11. 在生成单元格中移动文本12. 复制跨越单元格中的文本13. 调整布局生成四、命令行的使用
用 –help 查看 参数使用:
参数说明：
参数完成参数参数功能
-q
–quiet TEXT
不输出日志和警告
-p
–pages TEXT
页数范围，可以用都好分割符，或者页码范围，例如： 1,3,4 or 1,4-end
-pw
— TEXT
解密密码
-o
– TEXT
输出路径
-f
— [csv
json
excel
html
]
输出格式
-z
–zip
创建
-split
—
跨多个单元格拆分文本。
-flag
—
根据字体大小标记文本。有用的检测超/下标。
-strip
— TEXT
将字符串赋值给单元格之前，表格中的字符应该被删除
-M
—
字符边缘、线边缘、单词边缘
相关文章
