camelot pdf提取表格实践（记录）

转身之后才不会2024-03-19 20:18

参考：
巧用Python的camelot库批量提取PDF发票信息
 关于文本pdf的表格抽取

AttributeError: module 'camelot' has no attribute 'read_pdf'及类似问题解决办法
 camelot 参数
 https://blog.csdn.net/INTSIG/article/details/123000010

报错解决：

ModuleNotFoundError: No module named 'Workbook' xlwt，是版本太低，升级版本即可。 pip install --upgrade xlwt

介绍：

camelot方法有两种解析模式：流解析（stream）、格子解析（lattice），其中格子解析能够保留表格完整的样式，对于复杂表格来说要优于流解析模式。同时，camelot方法默认格子解析（lattice），而采用这种解析方式，需要安装ghostscript。

camelot是一个可以从可编辑的pdf文档中抽取表格的开源框架，与pdfplumber相比，其功能完备性差了点，除了表格抽取之外，并不能用它从pdf文档中解析出字符、单词、文本、线等较为低层次的对象。

下载ghostscript https://www.ghostscript.com/releases/gsdnld.html

参数

代码

python 复制代码

import camelot
import pandas as pd
# 使用Camelot读取PDF文件中的表格
tables = camelot.read_pdf('pdf.pdf', pages='all', flavor='lattice')

# 将所有表格转换为 DataFrame 并合并
all_data = pd.concat([table.df for table in tables], ignore_index=True)

all_data.to_excel('all_data.xlsx',index=False)

识别效果：不太理想，文本排序有问题。pdfplumber提取表格效果会更好，但是也有少部分数据可能错行