如何从 PDF 文档中提取表格作为结构化数据？

问题描述：

我正在尝试从 PDF 文档中提取表格（包括结构）（示例）。这不是扫描/图像，因此请关注非 OCR 解决方案。OCR表格提取在这里。简单文本提取在这里

我试过pdf -> html -> 提取表格的路线，上面提到的pdf在转为html的时候产生乱码，可能是字体的原因，文档不是英文的。

使用 x 和 y 坐标提取 pdf 不是一个选择，因为这个解决方案需要适用于上面提到的 url 中的将来的 pdf，它将有表格但并不总是在同一位置。

解决方案 1：

PDF 不包含明确的表格数据。它只包含我们倾向于解释为表格的行和字符字形。因此，您的任务涉及将我们人类的表格识别能力放入代码中，这是一项相当艰巨的任务。

一般来说，如果您确信未来有足够多的 PDF 将由同一软件以非常相似的方式生成，那么可能值得花时间研究该文件，以获得一些易于遵循的提示来识别各个字段的内容。

但是，您的特定文档还有一个缺点：它不包含直接提取文本所需的信息！您可以尝试从 Adob​​e Reader 复制和粘贴，然后您会得到（至少我会得到）来自 WinAnsi 范围的半随机字符。

这是因为文档中的所有字体都声称它们使用 WinAnsiEncoding，尽管以这种方式引用的字符肯定不是来自 WinAnsi 字符选择。

因此，如果没有 OCR，从文档中提取可靠的文本是不可能的！

（尝试从 Adob​​e Reader 复制和粘贴通常是一个很好的初步测试，可以确定文本提取是否可行；Reader 的文本提取方法已经开发了很多年，因此已经变得相当不错。如果您无法使用 Acrobat Reader 提取任何有意义的内容，那么文本提取将是一项非常困难的任务。）

解决方案 2：

从 PDF 文档中提取表格非常困难，因为 PDF 不包含语义层。

卡美洛

您可以尝试一下camelot，甚至可以结合其 Web 界面excalibur：

>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf')
>>> tables
<TableList n=1>
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, markdown, sqlite
>>> 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') # to_json, to_excel, to_html, to_markdown, to_sqlite
>>> tables[0].df # get a pandas DataFrame!

参见python-camelot

塔布拉

tabula可以通过以下方式安装

pip install tabula-py

但它需要 Java，因为tabula-py它只是 Java 项目的一个包装器。

它的使用方式如下：

import tabula

# Read pdf into list of DataFrame
dfs = tabula.read_pdf("test.pdf", pages='all')

参见：

• 使用 tabula 读取特定表

• 表格

AWS Textract

我最近没有尝试过，但AWS Textract声称：

Amazon Textract 可以提取文档中的表格，并提取表格内的单元格、合并单元格和列标题。

Pdf水管工

pdfplubmer表提取方法：

import pdfplumber

pdf = pdfplumber.open("example.pdf")
page = pdf.pages[0]
page.extract_table()

参见

• Tabula 与 Camelot 的对决

解决方案 3：

您可以使用 Tabula：
http: //tabula.nerdpower.org
它是免费的，而且很容易使用

解决方案 4：

一种选择是使用 pdf-table-extract：https://github.com/ashima/pdf-table-extract。