python编程：tabula、pdfplumber、camelot进行表格数据识别

2018年12月17日 21:42:49 彭世瑜 阅读数：446

 

版权声明：本文为博主原创文章，欢迎转载，请注明出处 https://blog.csdn.net/mouday/article/details/85057226

本文就目前python图表识别的库进行测试
1、tabula
2、pdfplumber
3、camelot

准备数据

excel：names.xlsx，两个表格
表格1：所有字段都被线条包围
表格2：最外层没有线条包围

将excel另存为pdf：names.pdf

1、tabula

java项目：https://github.com/tabulapdf

自带可视化界面的pdf提取表格数据工具：
https://tabula.technology/

python接口：https://github.com/chezou/tabula-py

安装:

pip install tabula-py

依赖：
Java 7, 8

代码示例：

import tabula tabula.convert_into( input_path="source/names.pdf", output_path="source/names.csv", output_format='csv' ) 

转换出来的names.csv，发现只有表格1被提取出来了，而且不规范，中间多了逗号

"姓名",年龄,性别
"李雷",,20 男
"韩梅梅",,23 女
"赵小三",,25 女

2、pdfplumber

github: https://github.com/jsvine/pdfplumber

安装

pip install pdfplumber

代码示例：

import pdfplumber import pandas as pd with pdfplumber.open("source/names.pdf") as pdf: # 获取第一页 first_page = pdf.pages[0] # 解析文本 text = first_page.extract_text() print(text) # 解析表格 tables = first_page.extract_tables() for table in tables: print(table) # df = pd.DataFrame(table[1:], columns=table[0]) for row in table: for cell in row: print(cell, end="\t|") print() """ 表格1: 姓名 年龄 性别 李雷 20 男 韩梅梅 23 女 赵小三 25 女 Table2： Name Age Gender Tom 30 Male Jack 33 Male Jone 31 Female [['姓名', '年龄', '性别'], ['李雷', '20', '男'], ['韩梅梅', '23', '女'], ['赵小三', '25', '女']] 姓名 |年龄 |性别 | 李雷 |20 |男 | 韩梅梅 |23 |女 | 赵小三 |25 |女 | [['30'], ['33']] 30 | 33 | """ 

文本解析的很全，只有表格1解析完全了，表格2只是解析了有框的部分

3、camelot

github: https://github.com/socialcopsdev/camelot

安装：

pip install camelot-py[cv]

示例

import camelot tables = camelot.read_pdf("source/names.pdf") tables.export("source/names.csv") 

生成2个文件：
source/names-page-1-table-1.csv

"姓名","年龄","性别"
"李雷","20 男",""
"韩梅梅","23 女",""
"赵小三","25 女",""

source/names-page-1-table-2.csv

"Name","Age","Gender"
"Tom","","30 Male"
"Jack","","33 Male"
"Jone","","31 Female"

发现表格2的内容被解析出来了，不过两个表格的内容都错位了

经过测试后，发现这3个库对表格识别都不是太好

总结

库名	说明
tabula	能提取完整表格，提取结果不规范
pdfplumber	能提取完整表格，提取结果较为规范
camelot	能提取完整表格和不完整表格，提取结果不规范