如何使用Python将表格作为文本从PDF中提取出来？

Question

我有一个包含表格，文本和一些图片的PDF文件。我想提取表格，无论表格在哪里，在PDF中。

现在我正在手动从页面中查找表。从那里，我捕获该页并保存到另一个PDF文件。

import PyPDF2

PDFfilename = "Sammamish.pdf" #filename of your PDF/directory where your PDF is stored

pfr = PyPDF2.PdfFileReader(open(PDFfilename, "rb")) #PdfFileReader object

pg4 = pfr.getPage(126) #extract pg 127

writer = PyPDF2.PdfFileWriter() #create PdfFileWriter object
#add pages
writer.addPage(pg4)

NewPDFfilename = "allTables.pdf" #filename of your PDF/directory where you want your new PDF to be
with open(NewPDFfilename, "wb") as outputStream:
    writer.write(outputStream) #write pages to new PDF

我的目标是从整个PDF文档中提取表。

Answer 1

2019年对这个问题的更新，因为我每次搜索“python extract pdf table”时都会被指向这里

有一个名为camelot/excalibur的python解决方案

https://github.com/atlanhq/camelot

Answer 2

在我看来，你有四种可能：

• 您可以使用tabula

• 您可以使用pdf to text将pdf转换为文本，然后使用python解析文本

• 您可以使用外部工具，将pdf文件转换为excel或csv，然后使用必需的python模块打开excel/csv文件。

• 您还可以将pdf转换为图像文件，然后使用任何最新的OCR软件（自动从图片重建表格）来获取数据

你的问题与以下类似：

• Extract / Identify Tables from PDF python

• Extracting tables from a pdf

• Extract table from a PDF

• How to scrape tables in thousands of PDF files?

• PDF Data and Table Scraping to Excel

• Extracting table contents from a collection of PDF files

问候

Answer 3

我建议你用表格把这张桌子取出来。将pdf作为参数传递给tablaapi，它将以dataframe的形式返回表。pdf中的每个表都作为一个数据帧返回。 这是我提取pdf的代码。

#the table will be returned in a list of dataframe,for working with dataframe you need pandas
import pandas as pd
import tabula
file = "filename.pdf"
path = 'enter your directory path here'  + file
df = tabula.read_pdf(path, pages = '1', multiple_tables = True)
print(df)

请参阅我的repo了解更多详细信息。