Tabula 按区域坐标提取表格答案

【问题标题】：Tabula extract tables by area coordinatesTabula 按区域坐标提取表格
【发布时间】：2017-08-02 09:36:19
【问题描述】：

我们可以通过指定坐标来从 PDF 文档中提取表格。对于 windows 用户，为了获取坐标，您必须将 PDF 文件上传到 Tabula 网页并导出包含坐标的脚本，然后将坐标输入到您的代码中。对于 Mac 用户，您只需使用 Preview 应用程序和裁剪检查器。我只是想知道是否有任何第三方程序或插件向 Windows 用户提供此功能？我认为这在以下情况下会很方便：

当您无法访问互联网时。
我认为预览应用会更准确，因为我体验过 Tabula 网页生成的不准确坐标。

如果有人能指出我在哪里可以找到这样的东西，我将不胜感激。非常感谢。

【问题讨论】：

标签： python pdf tabula

【解决方案1】：

Tabula 需要以 PDF 单位指定区域，定义为 1/72 英寸。如果使用 Acrobat Reader DC，您可以使用测量工具并将其读数乘以 72。

Tabula 需要将区域指定为 top、left、bottom 和 right 距离。要获取它们，您可以测量从页面顶部到表格开头的距离等等。

【讨论】：

你能说得更具体点吗？我已经尝试过 Acrobat Reader DC 中的测量工具，我可以测量距离、周长和面积。但是，他们都不能按照 Tabula 的要求给我一个坐标。最多只能给出 x 和 y 轴长度。
刚刚添加了 Measure 工具的使用示例。如果解决了您的问题，请标记为已接受。谢谢！
这也是对有相同问题的人的另一种解释github.com/chezou/tabula-py/issues/13
您提供的链接真的很有帮助，谢谢。 @JaquelinePassos

【解决方案2】：

Tabula 可以理解“点”形式的坐标数据。

在 Windows 中，您可以使用 Adobe Acrobat DC 和 Acrobat Reader DC 测量您的区域坐标

如果您有 Adobe Acrobat DC - 工具 >> 编辑 PDF >> 选择您的区域并按 Enter >> 将单位更改为点

Top               100       pt = A
Left              50        pt = B
Cropped page size 370 x 225 pt = C x D

如果您有 Adobe Acrobat DC 或 Acrobat Reader DC- 编辑>>首选项>>单位>>将页面单位更改为点>>确定>> 工具>>测量

Top           = A = 100
Left          = B = 50
Areas  Width  = C = 370
Areas  Length = D = 225

你必须做这个计算

area=[A,B,A+D,B+C]
area=[100,50,100+225,50+370]

在代码中

df=read_pdf(folder,area=[[100,50,325,420]] ,output_format="xlsx")

【讨论】：

【解决方案3】：

阅读器仅在 PDF 创建者允许的情况下才允许测量。而是找到了这个： https://graphicdesign.stackexchange.com/a/81666

简要步骤：

下载 SumatraPDF。它也可作为 zip 使用，无需安装需要。
使用 Sumatra 阅读器打开 PDF。
按'm' - 这个在左上角显示光标位置。
使用表格选项 -p 用于页面，-a 用于区域。（上、左、下、右）

【讨论】：

在 SumatraPDF 我有一个光标位置 17,5 * 110,7 pt，但左上右下的值是多少？
@user1862965 - 将光标放在左上角和右下角以获取两个光标位置。另请参阅此答案stackoverflow.com/a/67918459/4341921

【解决方案4】：

我遇到了同样的问题，代码似乎忽略了区域标注。通过在命令行中包含“guess = False”来修复它。像这样（注意我使用的是 1.2.1 版）：

df = tabula.read_pdf(file_folder + file_name, 
                     guess=False, pages=1, stream=True , encoding="utf-8", 
                     area = (200.8125,64.6425,352.2825,496.1025), 
                     columns = (65.3,196.86,294.96,351.81,388.21,429.77))

【讨论】：

【解决方案5】：

'top + height' 在这里接受的答案中缺少您可以调用的底部，尽管这不是从页面底部到表格的距离，而是从页面顶部到表格底部的距离。

所有必要的细节都在 wiki here 中进行了总结，但这是相关的部分：

注意left、top、height和width参数并计算如下：

y1 = 顶部

x1 = 左

y2 = 顶部 + 高度

x2 = 左 + 宽度

..那么它们的顺序是：y1,x1,y2,x2

可以提供一些关于完成工作的实用技巧。我的 pdf 查看器没有测量，我尝试了 linux 程序“screenruler”(sudo apt install screenruler)，但这有点痛苦，还需要按照描述进行校准here

然而，最后使用老式方法得到了最准确的结果。在 A4 纸上打印一页带有表格的页面，用透明尺子进行所有测量，估计为一毫米的几分之一，所有尺寸的标线。好吧，尺子的另一边只下降到 16 英寸，这不是细粒度的，所以用公制边，用袖珍计算器乘以 28.346456693 的厘米得到 pdf 单位。也许你身边有一个尺子，尺子的高度可达六分之一英寸；）

列的测量都是从页面的左边开始的，只有列之间的内部分隔线，不包括表格最左边或最右边的线。

您可能会发现对于非常压缩的列，您必须猜测从一列中的字符溢出到下一列的小尺寸。在这种情况下，您可以调整列尺寸并迭代直到正确为止。

【讨论】：