Python无边界表提取问题

Question

我正在努力提取一些无边界的表格，如下图所示，这些表格来自pdf文件。我已经安装了python，如图中所示，它只适用于边缘表。详情如下：

平台- Linux-4.5.5-300.fc24.x86_64-x86_64-with-fedora-24-Twenty_Four

sys -Python3.6.1(默认，2017年5月15日，11:42:04)GCC 6.3.1 20161221 (红帽6.3.1-1)

numpy - NumPy 1.15.4

cv2 - OpenCV 3.4.3

camelot - Camelot 0.3.2

​

Answer 1

要改进检测区域，可以增加edge_tol (默认值: 50)值，以抵消文本垂直放置相对较远的影响。较大的edge_tol将导致更长的文本被检测到，从而改善了对表区域的猜测。让我们使用值为500。

>>> tables = camelot.read_pdf('edge_tol.pdf', flavor='stream', edge_tol=500)
>>> camelot.plot(tables[0], kind='contour')
>>> plt.show()
>>> tables[0].df

Answer 2

Camelot默认使用格子，它依赖于划分细胞的清晰线条。

对于没有行的表，要使用流：

tables = camelot.read_pdf('your_file_name.pdf', flavor = 'stream')

Answer 3

另一个可能有帮助的解决方案是明确地设置table_areas，例如，设置页面 的大小：

# A4 portrait, MediaBox[0 0 595 842]
tables = camelot.read_pdf("filename.pdf", table_areas=["0,842,595,0"])

您可以通过Camelot的可视化调试特性找到该区域的大小，或者通过使用文本编辑器打开PDF并检查MediaBox或CropBox维度(注意，它们不使用相同的坐标约定)。