Camelot:从pdf中提取表格数据

本文已参与「新人创作礼」活动，一起开启掘金创作之路。

---

工作要效率，大数据时代，获取信息也要效率，只用不断的造轮子，才能不断的提高效率，今天介绍一下一款可以直接从pdf格式的文档中提取表格中数据的工具，Camelot！！！

---

一、Camelot的介绍和安装

1. Camelot介绍

Camelot: 一个友好的PDF表格数据抽取工具

一个python命令行工具，使任何人都能很轻松的从PDF文件中抽取表格数据。

使用Camelot从PDF文档提取数据非常简单

• Camelot允许你通过调整设置项来精确控制数据的提取过程
• 可以根据空白和精度指标来判断坏的表格，并丢弃，而不必手动检查
• 每一个表格数据是一个panda的dataframe，从而可以很方便的集成到ETL和数据分析工作流中
• 可以把数据导出为各种不同的格式比如 CSV、JSON、EXCEL、HTML

2. Camelot的安装

camelot有三种安装方式：

• pip 安装
• conda安装
• 源码安装

1. pip 安装

pip install camelot-py[cv]

2. conda安装

conda install -c conda-forge camelot-py

3. 源码安装

git clone www.github.com/socialcopsd… cd camelot pip install ".[cv]"

注意：

如果后面导入camelot库包的时候，出现错误，可能是缺少Ghostscript包，用pip 安装即可。

3. 其他

源码参考文档： github.com/socialcopsd… 使用文档： camelot-py.readthedocs.io/en/master/

二、Camelot的使用

1. 快速入门使用

从一个pdf文件中提取出表格：

>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf')
>>> tables
<TableList n=1>
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html
>>> tables[0]
<Table shape=(7, 7)>
>>> tables[0].parsing_report
{
    'accuracy': 99.02,
    'whitespace': 12.24,
    'order': 1,
    'page': 1
}
>>> tables[0].to_csv('foo.csv') # 也可以提取成其他格式 to_json, to_excel, to_html
>>> tables[0].df # 获取一个pandas DataFrame!
复制代码

2. 详细说明

上面的例子的说明： 1、创建一个表格对象

>>> tables = camelot.read_pdf('foo.pdf')
>>> tables
<TableList n=1>   # 只检测到一个表格
复制代码

默认情况下，Camelot仅使用PDF的第一页来提取表。要指定多个页面，可以使用pages关键字参数：

>>> camelot.read_pdf('your.pdf', pages='1,2,3')
复制代码

也可以使用命令行执行相同的操作

camelot --pages 1,2,3 lattice your.pdf
复制代码

该pages关键字参数接受页面页码的逗号分隔的字符串。还可以指定页面范围 - 例如，pages=1,4-10,20-30或pages=1,4-10,20-end。

注意：

如果pdf文件是加密的表格，需要加入password参数，值为解密密码

>>> tables = camelot.read_pdf('foo.pdf', password='userpass')
>>>tables
<TableList n=1>
复制代码

命令行：

camelot --password userpass lattice foo.pdf
复制代码

目前，Camelot仅支持使用ASCII密码和算法代码1或2加密的PDF 。如果无法读取PDF，则抛出异常。这可能是由于未提供密码，密码不正确或加密算法不受支持。

---

2、查看表的形状（行和列），通过表格索引查看 我们可以使用其索引访问每个表。从上面的代码片段中，我们可以看到该tables对象只有一个表，因为n=1。让我们使用索引访问该表0并查看它shape。

>>> tables[0]
<Table shape=(7, 7)>
复制代码

---

3、打印解析报告。

>>> print tables[0].parsing_report
{
    'accuracy': 99.02,
    'whitespace': 12.24,
    'order': 1,
    'page': 1
}
复制代码

从解析的参数的评价标准可以得出，其准确性是很好的，空白较少，这意味着表格最有可能被正确提取。可以使用table对象的df属性将表作为pandas DataFrame访问。

---

4、打印出提取表格中的内容 数据格式是pandas DataFrane，因此用df访问

>>> tables[0].df
复制代码

---

5、导出表格中的内容 可以使用其to_csv()方法将表导出为CSV文件。或者可以使用to_json()，或方法表分别导出为JSON格式，Excel，HTML文件或SQLite数据库。方法如下：

• to_csv()
• to_json()
• to_excel()
• to_html()
• to_sqlite()

>>> tables[0].to_csv('foo.csv')
复制代码

---

上面的1~5 步骤都可以通过命令行直接完成。

camelot --format csv --output foo.csv lattice foo.pdf
复制代码

使用的pdf例子的传送门：-->here

3. camelot两种表格解析（提取）方法

1、流解析（stream）

Stream可用于解析在单元格之间具有空格的表，以模拟表结构。它建立在PDFMiner的功能之上，即使用边距将页面上的字符分组为单词和句子。

1. PDF页面上的单词根据其y轴重叠分组为文本行。
2. 计算文本，然后用于猜测PDF页面上有趣的表区域。您可以阅读Anssi Nurminen的硕士论文，以了解有关此表检测技术的更多信息。[见第20,35和40页]
3. 然后猜测每个表区域内的列数。这是通过计算每个文本行中的单词数模式来完成的。基于此模式，选择每个文本行中的单词以计算列x范围的列表。
4. 然后使用位于当前列x范围内/外的单词来扩展当前列列表。
5. 最后，使用文本行的y范围和列x范围形成表格，并且页面上找到的单词基于其x和y坐标分配给表格的单元格。

2、格子解析（lattice）

格子本质上更具有确定性，并且它不依赖于猜测。它可用于解析在单元格之间划分了行的表，并且它可以自动解析页面上存在的多个表。

它首先使用ghostscript将PDF页面转换为图像，然后通过使用OpenCV应用一组形态变换（侵蚀和膨胀）来处理它以获得水平和垂直线段。

下面介绍处理的步骤： 1、检测分割线段

2、通过重叠检测到的线段并叠加"和"它们像素强度来检测线的交叉点。 3、通过再次重叠检测到的线段来计算表边界，这次是“或”它们的像素强度。 4、由于PDF页面的尺寸及其图像不同，因此检测到的表格边界，线条交叉点和线段将缩放并转换为PDF页面的坐标空间，并创建表格的表示。 5、使用线段和线交叉检测生成单元。 6、最后，页面上找到的单词将根据其x和y坐标分配给表格的单元格

三、高级使用

1. 处理背景线

1. 处理背景线

2. 可视调试

3. 指定表区域

4. 指定列表分隔符

5. 沿分隔符拆分文本

6. 标记上标和下表

7. 从文本中删除字符

8. 改善猜测的表区域

9. 改进猜测的表行

10. 检测短线

11. 在生成单元格中移动文本

12. 复制跨越单元格中的文本

13. 调整布局生成

---

四、命令行的使用

用 camelot --help 查看Camelot 参数使用: 参数说明：

参数	完成参数	参数功能
-q	--quiet TEXT	不输出日志和警告
-p	--pages TEXT	页数范围，可以用都好分割符，或者页码范围，例如： 1,3,4 or 1,4-end
-pw	--password TEXT	解密密码
-o	-output TEXT	输出路径
-f	--format [csv	json
-z	--zip	创建
-split	--split_text	跨多个单元格拆分文本。
-flag	--flag_size	根据字体大小标记文本。有用的检测超/下标。
-strip	--strip_text TEXT	将字符串赋值给单元格之前，表格中的字符应该被删除
-M	--margins	字符边缘、线边缘、单词边缘