pdfplumber可以为我扫描的pdf提取表格吗？

Question

(我知道pdfplumber主要是针对计算机生成的PDF。然而，在我花几天时间从扫描的PDF文件中手动输入数据之前，我想我应该问问pdfplumber是否能以某种方式帮助我。)

我的问题是：

我已经扫描了历史书籍中的PDF文件。

示例：Data from statistical yearbook

现在，我正在尝试从扫描的PDF中提取表格(示例中右下角的表格)。

我第一次用pdfplumber解压表格的尝试没有成功。

例如：

with pdfplumber.open('test.pdf') as pdf:
page = pdf.pages[0]
tables = page.extract_tables()
print(tables)

返回的None

我是否有希望在非手动的情况下提取这种数据？或者我应该忍气吞声？

提前感谢您的帮助或建议！

Answer 1

不，扫描的pdf文件里面实际上包含了一张图片。您可以阅读如下所示的图像，但这并不能帮助您获取数据。你可以使用一些可以分析图像的工具来获得数据，但这是一个不同的故事。

from pikepdf import Pdf, PdfImage

filename = "sample-in.pdf"
example = Pdf.open(filename)

for i, page in enumerate(example.pages):
    for j, (name, raw_image) in enumerate(page.images.items()):
        image = PdfImage(raw_image)
        out = image.extract_to(fileprefix=f"{filename}-page{i:03}-img{j:03}")

此外，如果必须获取该数据，此question还可以帮助您了解要使用什么以及如何使用