Python如何實作從PDF檔案中爬取表格資料（程式碼範例）

本篇文章帶給大家的內容是關於Python如何實現從PDF文件中爬取表格資料（程式碼範例），有一定的參考價值，有需要的朋友可以參考一下，希望對你有幫助。

  本文將展示一個稍微不一樣點的爬蟲。
  以往我們的爬蟲都是從網路上爬取數據，因為網頁一般用HTML,CSS,JavaScript程式碼寫成，因此，有大量成熟的技術來爬取網頁中的各種數據。這次，我們需要爬取的文件為PDF文件。本文將展示如何利用Python的camelot模組從PDF檔案中爬取表格資料。
  在我們的日常生活和工作中，PDF文件無疑是最常用的文件格式之一，小到教材、課件，大到合約、規劃書，我們都能見到這種文件格式。但如何從PDF文件中提取其中的表格，這卻是一個大難題。因為PDF中沒有一個內部的表示方式來表示一個表格。這使得表格資料很難被抽取來做分析。那麼，我們該如何做到從PDF中爬取表格資料呢？
  答案是Python的camelot模組！
  camelot是Python的一個模組，它能夠讓任何人輕鬆地從PDF檔案中提取表格資料。可使用以下指令安裝camelot模組（安裝時間較長）：

pip install camelot-py

camelot模組的官方文件位址為：https://camelot-py.readthedoc...。
  以下將展示如何利用camelot模組從PDF檔案中爬取表格資料。

範例1

  首先，讓我們來看一個簡單的範例：eg.pdf，整個檔案只有一頁，這一頁只有一個表格，如下：

使用以下Python程式碼就可以擷取該PDF檔案中的表格：

import camelot

# 从PDF文件中提取表格
tables = camelot.read_pdf('E://eg.pdf', pages='1', flavor='stream')

# 表格信息
print(tables)
print(tables[0])
# 表格数据
print(tables[0].data)

輸出結果為：

<tablelist>
<table>
[['ID', '姓名', '城市', '性别'], ['1', 'Alex', 'Shanghai', 'M'], ['2', 'Bob', 'Beijing', 'F'], ['3', 'Cook', 'New York', 'M']]<p>分析程式碼， camelot.read_pdf()為camelot的從表格中提取資料的函數，輸入的參數為PDF檔案的路徑，頁碼（pages）和表格解析方法（有stream和lattice兩個方法）。對於表格解析方法，預設的方法為lattice，而stream方法預設會把整個PDF頁面當作一個表格來解析，如果需要指定解析頁面中的區域，可以使用table_area這個參數。 <br>  camelot模組的便利之處還在於它提供了將提取後的表格資料直接轉換為pandas，csv，JSON，html的函數，如tables[0].df，tables[0].to_csv()函數等。我們以輸出csv檔為例：</p>
<pre class="brush:php;toolbar:false">import camelot

# 从PDF文件中提取表格
tables = camelot.read_pdf('E://eg.pdf', pages='1', flavor='stream')

# 将表格数据转化为csv文件
tables[0].to_csv('E://eg.csv')

得到的csv檔如下：

例2

##在例2中，我們將擷取PDF頁面中的某一區域的表格的資料。 PDF檔案的頁面（部分）如下：

為了提取整個頁面中唯一的表格，我們需要定位表格的位置。 PDF檔案的座標系統與圖片不一樣，它以左下角的頂點為原點，向右為x軸，向上為y軸，可以透過以下Python程式碼輸出整個頁面的文字的座標情況：

import camelot

# 从PDF中提取表格
tables = camelot.read_pdf('G://Statistics-Fundamentals-Succinctly.pdf', pages='53', \
                          flavor='stream')

# 绘制PDF文档的坐标，定位表格所在的位置
tables[0].plot('text')

輸出結果為：

UserWarning: No tables found on page-53 [stream.py:292]

整個程式碼沒有找到表格，這是因為stream方法預設將整個PDF頁面當作表格，因此就沒有找到表格。但是繪製的頁面座標的圖像如下：

仔細對比之前的PDF頁面，我們不難發現，表格對應的區域的左上角座標為（50,620），右下角的座標為（500,540）。我們在read_pdf()函數中加入table_area參數，完整的Python程式碼如下：

import camelot

# 识别指定区域中的表格数据
tables = camelot.read_pdf('G://Statistics-Fundamentals-Succinctly.pdf', pages='53', \
                          flavor='stream', table_area=['50,620,500,540'])

# 绘制PDF文档的坐标，定位表格所在的位置
table_df = tables[0].df

print(type(table_df))
print(table_df.head(n=6))

輸出的結果為：

<class>
         0               1                2           3
0  Student  Pre-test score  Post-test score  Difference
1        1              70               73           3
2        2              64               65           1
3        3              69               63          -6
4        …               …                …           …
5       34              82               88           6</class>

總結

在具體辨識PDF頁面中的表格時，除了指定區域這個參數，還有上下標、單元格合併等參數，詳細地使用方法可參考camelot官方文檔網址：https://camelot-py.readthedoc...。

#

以上是Python如何實作從PDF檔案中爬取表格資料（程式碼範例）的詳細內容。更多資訊請關注PHP中文網其他相關文章！