从PDF python提取/识别表
是否有任何支持表识别和提取的开源库？
我的意思是：
- 识别表结构存在
- 根据内容对表格进行分类
- 以有用的输出格式（例如JSON / CSV等）从表中提取数据。
我浏览了有关此主题的类似问题，发现以下内容：
- PDFMiner解决了问题3，但似乎要求用户向PDFMiner指定每个表都存在表结构的地方（如果我错了，请纠正我）
- pdf-table-extract尝试解决问题1，但根据“待办事项”列表，当前无法识别由空格分隔的表。这是一个问题，因为我的PDF中的所有表格都由空格分隔！
目前，我认为我将不得不花费大量时间来开发机器学习解决方案以从PDF识别表结构。因此，任何替代方法都将受到欢迎！
问题答案：
您绝对应该看看我的这个答案：
- 从PDF文件集中提取表格内容
并查看其中包含的所有链接。
Tabula / TabulaPDF是目前可用于PDF抓取的最佳表格提取工具。
-
我有不同类型的pdf，其中包含多个内容，如文本，表格等。该表可以存在于pdf的任何位置（顶部，中间，底部）。我只想提取表数据（不。的列，没有。行数 到目前为止我所做的工作：- 1.我使用了iText java API来读取和提取。使用以下代码：- pdftextextractor . gettextfrompage 但它只是以文本形式返回数据。没有得到任何线索来确定表格在pdf中的位置以及如何从该
-
我在用https://docs.microsoft.com/en-us/azure/cognitive-services/form-recognizer/quickstarts/curl-train-extract在不使用标签的情况下构建培训模型。 我遇到的问题是，当我通过模型运行一个文件（该文件用于训练模型）时，它没有拾取“表”部分。我的意思是，没有“表”节点。 据我所见，它应该能够将其构建为J
-
我正在使用来自识别器的Azure进行发票处理项目。所有发票均为PDF格式。我正在使用带有标签的自定义表单识别器。我可以从PDF中提取一些数据，如发票号、发票日期、金额等，但我想使用Azure Form Recognitor从PDF中提取表格数据，但它无法正确读取表格。 我已经标记了我需要的单元格，当表中的行数增加时，它会正确读取列，但是它无法将每行的值彼此分开，并将整列作为单个值返回。 我试图提供
-
我有一个启用/配置了TTL和DynamoDB Streams的DynamoDB表。 我想实现一个lambda函数，该函数将从DynamoDB流中读取TTL删除的数据，并将其转发给Kinesis Firehose或S3（考虑到成本，我需要决定哪一个更好）。 是否有任何标志/属性有助于识别TTL删除记录已被某些lambda函数读取/处理？例如，我在DynamoDB流中有10条记录，一个lambda函数
-
我正在尝试读取存储在Firebase数据库中的值。这就是数据库的样子： URL: 现在，从Android端，这就是我尝试检索数据的方式：
-
我正在使用表单识别器客户端库。NET从一个国家的国民身份证中提取数据。但它似乎无法从卡中获取键值对。我跟着https://docs.microsoft.com/en-us/azure/cognitive-services/form-recognizer/quickstarts/dotnet-sdk辅导的 我发现只有一个键值对，值数组包含所有的标签/文本（键和值）。 我需要用另一种方法从身份证中提取