50

是否有任何支持表格识别和提取的开源库？

我的意思是：

  1. 识别表结构存在
  2. 根据内容对表格进行分类
  3. 以有用的输出格式从表中提取数据，例如 JSON / CSV 等。

我查看了有关此主题的类似问题，发现以下内容：

  • PDFMiner解决了问题 3，但似乎用户需要向 PDFMiner 指定每个表存在表结构的位置（如果我错了，请纠正我）
  • pdf-table-extract试图解决问题 1 但根据待办事项列表，目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，我认为我必须花费大量时间开发机器学习解决方案来识别 PDF 中的表结构。因此，任何替代方法都将受到欢迎！

4

3 回答 3

48

在探索 OCR 库、边界框和聚类算法许多富有成果的小时后，我找到了一个简单到让你想哭的解决方案！

我希望你使用的是 Linux；

pdftotext -layout NAME_OF_PDF.pdf

惊人！！

现在你有一个很好的文本文件，所有信息都排列在漂亮的列中，现在格式化为 csv 等很简单。

正是在这样的时候，我爱上了 Linux，这些人为所有事情想出了惊人的解决方案，并免费提供！

于 2017-08-20T22:20:55.467 回答
41

You should definitely have a look at this answer of mine:

and also have a look at all the links included therein.

Tabula/TabulaPDF is currently the best table extraction tool that is available for PDF scraping.

于 2015-02-17T01:00:13.563 回答
18

我想补充一下来自 Kurt Pfeifle 的非常有用的答案 - 现在有一个用于 Tabula 的 Python 包装器，到目前为止这似乎工作得很好：https ://github.com/chezou/tabula-py

这会将您的 PDF 表转换为 Pandas 数据框。您还可以在 x,y 坐标中设置区域，这对于不规则数据显然非常方便。

于 2017-04-22T10:38:40.817 回答