用于无边界表格提取的 Tabula-py答案

【问题标题】：Tabula-py for borderless table extraction用于无边界表格提取的 Tabula-py
【发布时间】：2023-03-29 17:10:02
【问题描述】：

谁能建议我如何使用 python/java 程序从 PDF 中提取表格数据，用于 pdf 文件中存在的以下无边框表格？

【问题讨论】：

标签： python-3.x pdftotext tabula

【解决方案1】：

这张桌子对tabla来说可能有点难。用guess=False, stream=True怎么样？

更新：从 tabula-py 1.0.3 开始，guess 和 stream 应该可以一起工作。无需设置guess=False 即可使用stream 或lattice 选项。

【讨论】：

嗨@chezou 谢谢你的评论。我用下面的代码tabula.convert_into("/Downloads/Test_Invoices/Invoice4.pdf", "/Downloads/Test_Invoices/Invoice4.csv", output_format="csv",spreadsheets=True,guess=False, stream=True) 尝试了你的答案，但没有提取任何表格
嗨@chezou，你知道任何其他与Python/Java相关的库吗？
我建议你设置pages选项。默认情况下，tabula-py 设置为 1。
嗨@chezou，我该怎么做？我不太熟悉指定这些参数值..
设置pages="all" 或pages=2 为read_pdf() 或convert_into()。以后的细节，你最好阅读手册github.com/chezou/tabula-py/blob/master/README.md或者你可以检查测试代码github.com/chezou/tabula-py/blob/master/tests/…

【解决方案2】：

我通过tabula-py解决了这个问题

conda install tabula-py

和

>>> import tabula
>>> area = [70, 30, 750, 570] # Seems to have to be done manually
>>> page2 = tabula.read_pdf("nar_2021_editorial-2.pdf", guess=False, lattice=False, 
                 stream=True, multiple_tables=False, area=area, pages="all",
                   ) # `tabula` doc explains params very well
>>> page2

我得到了这个结果

> 'pages' argument isn't specified.Will extract only from page 1 by default. [      
> ShortTitle                                              Text  \  0    
> Arena3Dweb         3D visualisation of multilayered networks     1    
> Aviator       Monitoring the availability of web services     2       
> b2bTools  Predictions for protein biophysical features and     3      
> NaN                                their conservation     4         
> BENZ WS          Four-level Enzyme Commission (EC) number     ..      
> ...                                               ...     68 
> miRTargetLink2              miRNA target gene and target pathway    
> 69             NaN                                          networks  
> 70       mmCSM-PPI            Effects of multiple point mutations on  
> 71             NaN                      protein-protein interactions  
> 72        ModFOLD8           Quality estimates for 3D protein models  
> 
>  
>                                                 URL    0                    http://bib.fleming.gr/Arena3D    1         
> https://www.ccb.uni-saarland.de/aviator    2                   
> https://bio2byte.be/b2btools/    3                                    
> NaN    4                 https://benzdb.biocomp.unibo.it/    ..       
> ...    68  https://www.ccb.uni-saarland.de/mirtargetlink2    69       
> NaN    70          http://biosig.unimelb.edu.au/mmcsm ppi    71       
> NaN    72       https://www.reading.ac.uk/bioinf/ModFOLD/      [73
> rows x 3 columns]]

这是一个可迭代的obj，所以你可以通过for row in page2:来操作它

希望对你有帮助

【讨论】：

【解决方案3】：

Tabula-py 无边框表格提取：

Tabula-py 有 stream，它在 True 上基于间隙检测表格。

from tabula convert_into
src_pdf = r"src_path"
des_csv = r"des_path"
convert_into(src_pdf, des_csv, guess=False, lattice=False, stream=True, pages="all")

【讨论】：