从PDF python中提取/识别表

Question

是否有任何支持表标识和提取的开源库？

我的意思是：

1. 标识存在的表结构
2. 将表与其内容分类
3. 以有用的输出格式从表中提取数据，例如JSON / CSV等。

我曾研究过有关这一主题的类似问题，发现如下：

• PDFMiner，它解决了问题3，但似乎需要用户为每个表指定一个表结构的PDFMiner (如果我错了，请纠正我)。
• pdf表格-摘录试图解决问题1，但根据待办列表，它目前无法识别由空格分隔的表。这是一个问题，因为我的PDF中的所有表都用空格分隔！

目前，我在想，我需要花费大量的时间来开发一个机器学习解决方案来从PDF中识别表结构。因此，任何替代方法都将是非常受欢迎的！

Answer 1

你一定要看看我的答案：

• 从PDF文件集合中提取表格内容

还可以查看其中包含的所有链接。

表格/表格是当前用于PDF抓取的最佳表格提取工具。

Answer 2

经过几个小时卓有成效的探索，OCR库，包围盒和聚类算法-我找到了一个非常简单的解决方案，让你想哭！

我希望你正在使用Linux；

pdftotext -layout NAME_OF_PDF.pdf

太棒了！

现在你有了一个很好的文本文件，所有的信息都排列在漂亮的列中，现在把它格式化成csv等就很简单了。

正是在这样的时候，我喜欢Linux，这些家伙想出了令人惊奇的解决方案，并把它免费！

Answer 3

我只想补充一下Kurt给出的非常有帮助的答案--现在有一个用于Tabula的Python包装器，到目前为止，它似乎运行得很好：https://github.com/chezou/tabula-py。

这将将您的PDF表转换为Pandas数据框架。你也可以在x，y坐标中设置区域，这对于不规则数据来说显然非常方便。