提取PDF表格，Python3，tabula-py

Question

尝试使用 Python 3.6 从 PDF 中提取表格。似乎 [pyPDF2][1] 失败并且 [pdfminer][2] 与 3.x 不兼容。我为 [tabula][3] 找到了一个 python 包装器。

import tabula
file_list = get_pdf_list()

text = tabula.read_pdf(file_list[0])
print(text)

tabula.convert_into(file_list[0], "test.json", ouput_format="json")

read_pdf 和 convert_into 都返回空结果。 PyPDF2 也有同样的问题。运行时没有错误

我开始认为这与我的 pdf 格式有关。谁有更多经验？我正在尝试从 pdf 中的表中提取值。

Answer 1

希望你已经得到了答案！但仍然是我的代码！我想说的是，tabula 是优秀的 PDF 表格提取器之一。我在哪里遇到了很多关于 camelot 的问题。

安装最新的表格包

pip install tabula-py

代码是！

import os
from tabula import wrapper
os.path.abspath("E:/Documents/myPy/")
tables = wrapper.read_pdf("MyPDF.pdf",multiple_tables=True,pages='all')

i=1
for table in tables:
    table.to_excel('output'+str(i)+'.xlsx',index=False)
    print(i)
    i=i+1

试试这个！

Answer 2

提取PDF表格，Python3，tabula-py 使用 Tabula-py

from tabula import convert_into
table_file = r"pdf_path"
o1_csv = r"file12.csv"
o2_csv = r"file13.csv"
df = convert_into(table_file, o1_csv, output_format='csv', lattice=False, stream=True, pages=1)
df1 = convert_into(table_file, o2_csv, output_format='csv', lattice=True, stream=False, pages=1)
print(df)
print(df1)
Output: print(df) : None
        print(df1): None

但是 csv 文件不是空的

可能是表格没有边界，这与 tabula-py 具有其功能的普通文本不同

1. stream 如果为 true，则根据文本排列搜索表格的行和列
2. lattice 如果为 true，则搜索定义表格行和列的适当边界