如何在Python中从PDF中提取表格？代码示例

Python如何从PDF中提取表格？本文带你学习如何使用 Camelot 和 tabula 库在 Python 中从 PDF 文件中提取表格，并将它们导出为多种格式，如 CSV、excel、Pandas 数据框和 HTML，并且包含一些Python从PDF中提取表格示例。 你想使用 Python 编程语言从 PDF 文件中导出表格吗？你来对地方了。 如何从PDF中提取表格？Camelot 是一个 Python 库和一个命令行工具，它使任何人都可以轻松提取PDF文件中的数据表，查看他们的官方文档和Github 存储库。 而Tabula-py是 tabula-java 的简单 Python 包装器，它可以读取 PDF 中的表格。它使你能够将 PDF 文件转换为 CSV、TSV、JSON 甚至 Pandas DataFrame。 在本教程中，你将学习如何 使用 Python 中的Camelot 和tabula-py库提取PDF 中的表格 。 相关教程：如何在 Python 中从 PDF 中提取图像。 首先，你需要安装Camelot 库所需的依赖项才能正常工作，然后你可以使用命令行安装这些库：

pip3 install camelot-py[cv] tabula-py

请注意，你需要确保在你的计算机中正确安装了Tkinter和ghostscript（这是camelot 所需的依赖项）。

使用 Camelot 提取 PDF 表格

Python如何从PDF中提取表格？现在你已经安装了本教程的所有要求，打开一个新的 Python 文件并按照以下步骤操作：

import camelot

# PDF file to extract tables from
file = "foo.pdf"

我在当前目录中有一个名为“foo.pdf”的PDF文件（在此处获取），它是一个普通的 PDF 页面，其中包含一个如下图所示的表格：

Python从PDF中提取表格示例如下，只是一个随机表，让我们用Python提取它：

# extract all the tables in the PDF file
tables = camelot.read_pdf(file)

read_pdf()函数提取PDF文件中的所有表格，让我们打印提取的表格数量：

# number of tables extracted
print("Total tables extracted:", tables.n)

这输出：

Total tables extracted: 1 

果然，它只包含一张表，将这张表打印为Pandas DataFrame：

# print the first table as Pandas DataFrame
print(tables[0].df)

输出：

              0            1                2                     3                  4                  5                 6
0  Cycle \nName  KI \n(1/km)  Distance \n(mi)  Percent Fuel Savings
1                                                  Improved \nSpeed  Decreased \nAccel  Eliminate \nStops  Decreased \nIdle
2        2012_2         3.30              1.3                  5.9%               9.5%              29.2%             17.4%
3        2145_1         0.68             11.2                  2.4%               0.1%               9.5%              2.7%
4        4234_1         0.59             58.7                  8.5%               1.3%               8.5%              3.3%
5        2032_2         0.17             57.8                 21.7%               0.3%               2.7%              1.2%
6        4171_1         0.07            173.9                 58.1%               1.6%               2.1%              0.5%

准确地说，让我们将表导出到CSV文件：

# export individually as CSV
tables[0].to_csv("foo.csv")

如何从PDF中提取表格？CSV是不是唯一的选择，你也可以使用to_excel()，to_html()，to_json()和to_sqlite()方法，这里有一个例子导出到Excel电子表格：

# export individually as Excel (.xlsx extension)
tables[0].to_excel("foo.xlsx")

或者，如果你想一次性导出所有表：

# or export all in a zip
tables.export("foo.csv", f="csv", compress=True)

f参数表示文件格式，在本例中为"csv"。通过将compress参数设置为True，这将创建一个ZIP文件，其中包含CSV格式的所有表。 你还可以将表格导出为HTML格式：

# export to HTML
tables.export("foo.html", f="html")

或者你可以导出为其他格式，如JSON和Excel中 太。 值得注意的是，Camelot 仅适用于基于文本的PDF，而不适用于扫描文档。如果你可以在PDF查看器中单击并拖动以选择表格中的文本，那么它就是基于文本的PDF，因此这将适用于论文、书籍、文档等等！

使用 Tabula-py 提取 PDF 表格

Python如何从PDF中提取表格？打开一个新的 Python 文件并导入tabula：

import tabula
import os

我们只是使用read_pdf()方法来提取 PDF 文件中的表格（同样，在此处获取示例 PDF ）：

# read PDF file
tables = tabula.read_pdf("1710.05006.pdf", pages="all")

我们设置pages为"all"提取所有 PDF 页面中的表格，tabula.read_pdf() 方法返回一个 pandas 列表DataFrame，每个列表DataFrame对应一个表格。你还可以将 URL 传递给此方法，它会在提取表格之前自动下载 PDF。 如何从PDF中提取表格？下面的代码是迭代所有提取的表格并将它们保存为 Excel 电子表格的示例：

# save them in a folder
folder_name = "tables"
if not os.path.isdir(folder_name):
    os.mkdir(folder_name)
# iterate over extracted tables and export as excel individually
for i, table in enumerate(tables, start=1):
    table.to_excel(os.path.join(folder_name, f"table_{i}.xlsx"), index=False)

这将创建tables文件夹并将所有检测到的 Excel 格式的表格放入该文件夹中，尝试一下。 现在，如果你想从 PDF 文件中提取所有表格并将它们转储到单个CSV文件中怎么办？下面的代码正是这样做的：

# convert all tables of a PDF file into a single CSV file
# supported output_formats are "csv", "json" or "tsv"
tabula.convert_into("1710.05006.pdf", "output.csv", output_format="csv", pages="all")

Python从PDF中提取表格示例：如果你有多个 PDF 文件，并且想对所有这些文件运行上述内容，则可以使用convert_into_by_batch()方法：

# convert all PDFs in a folder into CSV format
# `pdfs` folder should exist in the current directory
tabula.convert_into_by_batch("pdfs", output_format="csv", pages="all")

这将查看pdfs文件夹并为该文件夹中的每个 PDF 文件输出一个 CSV 文件。

结论

Python如何从PDF中提取表格？对于大文件，camelot库的性能往往优于tabula-py。但是，有时你会遇到NotImplementedError使用camelot库的某些 PDF 文件，你可以使用tabula-py作为替代。请注意，这不会将图像字符转换为数字文本，如果你愿意，可以使用 OCR 技术将图像光学字符转换为可以在 Python 中操作的实际文本，以下教程可以为你提供很大帮助：

• Python 中的光学字符识别 (OCR)
• 如何使用 Python 从 PDF 文件中的图像中提取文本

以下是一些相关的 PDF 教程，可能会对你的工作有所帮助：

• 如何使用 Python 突出显示和编辑 PDF 文件中的文本
• 如何在 Python 中从 PDF 中提取图像
• 如何在 Python 中将 PDF 转换为图像

如需完整列表，请查看类别页面。 好的，本教程就到这里，查看 camelot 官方文档和tabula-py 官方文档以获取更多详细信息。