从PDF python中提取/识别表

Question

是否有任何支持表格识别的开源库？提取

我的意思是：

1. 确定存在的表结构
2. 将表格从其内容中分类
3. 以有用的输出格式从表中提取数据，例如JSON / CSV等。

我查看了有关此主题的类似问题并找到了以下内容：

• PDFMiner解决问题3，但似乎用户需要指定PDFMiner，其中每个表都有一个表结构（如果我错了，请纠正我）
• pdf-table-extract尝试解决问题1，但根据To-Do列表，目前无法识别由空格分隔的表。这是一个问题，因为我的PDF中的所有表都是用空格分隔的！

目前，我认为我将不得不花费大量时间开发机器学习解决方案来识别PDF中的表格结构。因此，任何替代方法都会受到欢迎！

Answer 1

经过多次努力探索OCR库，边界框和聚类算法 - 我找到了一个简单的解决方案，让你想哭！

我希望您使用的是Linux;

pdftotext -layout NAME_OF_PDF.pdf

AMAZING !!

现在你有一个很好的文本文件，所有信息都排列在漂亮的列中，现在格式化为csv等是微不足道的。

在这样的时候，我喜欢Linux，这些人为所有东西想出了令人惊叹的解决方案，并免费将它放在那里！

Answer 2

你一定要看看我的这个答案：

• 的 Extracting table contents from a collection of PDF files

并查看其中包含的所有链接。

Tabula/TabulaPDF是目前最适合PDF抓取的表格提取工具。

Answer 3

我想补充一下Kurt Pfeifle非常有用的答案 - 现在有一个Tabula的Python包装器，到目前为止看起来效果很好：https://github.com/chezou/tabula-py

这会将您的PDF表格转换为Pandas数据框。您还可以在x，y坐标中设置区域，这对于不规则数据显然非常方便。