PDF表格提取

Question

我有（相同的）数据保存为GIF图像文件和PDF文件，我想将其解析为超文本标记语言或XML。这些数据实际上是我大学自助餐厅的菜单。这意味着每周必须解析一个新版本的文件！一般来说，这些文件包含一些页眉和页脚文本，以及中间充满其他数据的表格。我读过一些关于stackoverflow的帖子，我也开始尝试将表格数据解析为超文本语言标记/XML：

PDF格式

• PDFBox||iText（Java）
• 谷歌文档导入
• PDF2HTML||PDF2表格

GIF

• Tesseract光学字符识别

我用PDFBox解析PDF文件得到了最好的结果，但是（随着菜单每周变化），它仍然不够可靠。我收到的超文本标记语言包括有时更多，有时更少的“段落”（

这就是为什么我想知道是否有其他方法可以做到这一点？




Answer 1

您可以使用Camelot从您的PDF中提取表格并将其导出到超文本标记语言文件。还支持CSV、Excel和JSON。您可以在以下位置查看留档：http://camelot-py.readthedocs.io.与其他开源表格提取工具和库相比，它提供了更准确的结果。这是一个比较。

您可以使用下面的代码片段继续您的任务:

>>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_html('file.html')

免责声明：我是图书馆的作者。

Answer 2

我已经实现了自己的算法（它的名字是traprange）来解析pdf文件中的表格数据。

以下是一些示例pdf文件和结果:

1. 输入文件：sample-1.pdf，结果：sample-1.html
2. 输入文件：sample-4.pdf，结果：sample-4.html

访问我在traprange的项目页面

或我在陷阱范围的文章

Answer 3

Tabula是从任意PDF中提取CSV/TSV表的JRuby Web界面上的一个很好的开始。