python編程：tabula、pdfplumber、camelot進行表格數據識別

2018年12月17日 21:42:49 彭世瑜 閱讀數：446

 

版權聲明：本文為博主原創文章，歡迎轉載，請注明出處 https://blog.csdn.net/mouday/article/details/85057226

本文就目前python圖表識別的庫進行測試
1、tabula
2、pdfplumber
3、camelot

准備數據

excel：names.xlsx，兩個表格
表格1：所有字段都被線條包圍
表格2：最外層沒有線條包圍

將excel另存為pdf：names.pdf

1、tabula

java項目：https://github.com/tabulapdf

自帶可視化界面的pdf提取表格數據工具：
https://tabula.technology/

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

安裝:

pip install tabula-py

依賴：
Java 7, 8

代碼示例：

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

轉換出來的names.csv，發現只有表格1被提取出來了，而且不規范，中間多了逗號

"姓名",年齡,性別
"李雷",,20 男
"韓梅梅",,23 女
"趙小三",,25 女

2、pdfplumber

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

安裝

pip install pdfplumber

代碼示例：

import pdfplumber import pandas as pd with pdfplumber.open("source/names.pdf") as pdf: # 獲取第一頁 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 年齡 性別 李雷 20 男 韓梅梅 23 女 趙小三 25 女 Table2： Name Age Gender Tom 30 Male Jack 33 Male Jone 31 Female [['姓名', '年齡', '性別'], ['李雷', '20', '男'], ['韓梅梅', '23', '女'], ['趙小三', '25', '女']] 姓名 |年齡 |性別 | 李雷 |20 |男 | 韓梅梅 |23 |女 | 趙小三 |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

安裝：

pip install camelot-py[cv]

示例

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

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

"姓名","年齡","性別"
"李雷","20 男",""
"韓梅梅","23 女",""
"趙小三","25 女",""

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

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

發現表格2的內容被解析出來了，不過兩個表格的內容都錯位了

經過測試后，發現這3個庫對表格識別都不是太好

總結

庫名	說明
tabula	能提取完整表格，提取結果不規范
pdfplumber	能提取完整表格，提取結果較為規范
camelot	能提取完整表格和不完整表格，提取結果不規范