使用 python pandas 打开 pdf 并在表格中阅读答案

【问题标题】：Opening a pdf and reading in tables with python pandas使用 python pandas 打开 pdf 并在表格中阅读
【发布时间】：2014-06-10 16:11:19
【问题描述】：

是否可以使用 python pandas 打开 PDF 并阅读它，还是我必须使用 pandas 剪贴板才能使用此功能？

【问题讨论】：

看看这个：annytab.com/extract-text-from-pdf-or-image-in-python 我认为作为中间格式的 hOCR 可以帮助 pdf 进入 pandas。

【解决方案1】：

from tabula import read_pdf
df = read_pdf('data.pdf')

我可以在链接中看到更多！

【讨论】：

【解决方案2】：

有一个新版本的tabula 称为tabula-py

pip install tabula-py

.read_pdf 方法和旧版本一样工作，文档在这里： https://pypi.org/project/tabula-py/

【讨论】：

【解决方案3】：

如果是一次性的，您可以将 PDF 表格中的数据复制到文本文件中，对其进行格式化（使用搜索和替换、Notepad++ 宏、脚本），将其保存为 CSV 文件，然后将其加载到 Pandas 中。

如果您需要以可扩展的方式执行此操作，您可以试试这个产品：http://tabula.technology/。还没用过，不知道效果如何，有需要的可以探索一下。

【讨论】：

【解决方案4】：

我一直在用 Camelot (https://camelot-py.readthedocs.io/en/master/) 进行一些测试，它在许多情况下都非常有效。如果默认参数不起作用，您可以尝试调整一些参数。

与Tabula类似，但使用了不同的算法（Tabula使用PDF中的矢量数据并栅格化表格的线条；Camelot使用Hough变换），所以你可以尝试两者找到最好的。

两者都有网络版本，因此您可以尝试一些示例来确定哪个最适合您的应用程序。

【讨论】：

【解决方案5】：

这是不可能的。 PDF 是一种用于打印的数据格式。表结构因此丢失。运气好的话，您可以使用 pypdf 提取文本并猜测前面的表格列。

【讨论】：

【解决方案6】：

从 PDF 复制表格数据并粘贴到 Excel 文件中（通常粘贴为单列而不是多列）。然后使用 FlashFill（在 Excel 2016 中可用，不确定早期的 Excel 版本）将数据分隔到最初在 PDF 中查看的列中。这个过程既快速又简单。然后使用 Pandas 整理 Excel 数据。

【讨论】：

【解决方案7】：

我使用 Tabula 库安装，通过：

pip install tabula-py

通过链接读取PDF中的几个表格，例如：

import tabula
df = tabula.io.read_pdf(url, pages='all')

然后你会得到很多表，你可以使用索引来调用它，就像从列表中打印元素一样，示例：

# ex
df[0]

【讨论】：