Python提取PDF中表格数据

从 PDF 表格中获取数据是一项痛苦的工作。不久前，一位开发者提供了一个名为 Camelot 的工具，使用三行代码就能从 PDF 文件中提取表格数据。

项目地址：https://github.com/camelot-dev/camelot

项目作者提供了三种安装方法。首先，你可以使用 Conda 进行安装，这是最简单的。

conda install -c conda-forge camelot-py

最流行的安装方法是使用 pip 安装。

pip install camelot-py[cv]

还可以从项目中克隆代码，并使用源码安装。

git clone https://www.github.com/camelot-dev/camelot
cd camelot
pip install ".[cv]"

我选择用pip安装包，装好包后就来读取PDF文件了

import camelot
tables = camelot.read_pdf('1.pdf')

然后就报错了。。

然后安装ghostscript

依然报错

最后在这个贴子上了解决方法https://github.com/atlanhq/camelot/issues/282 

需要在ghostscript官网下载exe文件安装，下载地址：https://www.ghostscript.com/download/gsdnld.html

安装后就不报错了

接着读取pdf，发现读取的表是空的，就去阅读了一下说明，发现如果不设置页面，默认读取第一页

然后找到PDF中表格对应的页面，再执行代码

效果还不错，然后我试了下另外一个PDF文档，又出现了问题。。 表格又是空的

对比了两个文档，发现pdf1中选中页中有两个表格，且是三线表，而pdf2中只有一个表格，还是传统的表格。在pdf1中发现有一页只有一个三线表，就试了下那一页，发现仍然不能读取，那么问题应该就是camelot只能读取表格中的数据，读取不了三线表中的数据。

如果想把读取表格中的数据保存下来，可以参考如下代码

>>> tables[0].df # get a pandas DataFrame!
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite，可指定输出格式
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite， 导出数据为文件
>>> tables
<TableList n=1>
>>> tables[0]
<Table shape=(7, 7)> # 获得输出的格式
>>> tables[0].parsing_report
{
    'accuracy': 99.02,
    'whitespace': 12.24,
    'order': 1,
    'page': 1
}