本文就目前python图表识别的库进行测试
1、tabula
2、pdfplumber
3、camelot

准备数据

excel：names.xlsx，两个表格
表格1：所有字段都被线条包围
表格2：最外层没有线条包围

将excel另存为pdf：names.pdf

1、tabula

java项目：https://github.com/tabulapdf

自带可视化界面的pdf提取表格数据工具：
https://tabula.technology/

python接口：https://github.com/chezou/tabula-py

安装:

pip install tabula-py

依赖：
Java 7, 8

代码示例：

import tabulatabula.convert_into(input_path="source/names.pdf",output_path="source/names.csv",output_format='csv'
)

转换出来的names.csv，发现只有表格1被提取出来了，而且不规范，中间多了逗号

"姓名",年龄,性别
"李雷",,20 男
"韩梅梅",,23 女
"赵小三",,25 女

2、pdfplumber

github: https://github.com/jsvine/pdfplumber

安装

pip install pdfplumber

代码示例：

import pdfplumber
import pandas as pdwith pdfplumber.open("source/names.pdf") as pdf:# 获取第一页first_page = pdf.pages[0]# 解析文本text = first_page.extract_text()print(text)# 解析表格tables = first_page.extract_tables()for table in tables:print(table)# df = pd.DataFrame(table[1:], columns=table[0])for row in table:for cell in row:print(cell, end="\t|")print()
"""
表格1:
姓名 年龄 性别
李雷 20 男
韩梅梅 23 女
赵小三 25 女Table2：
Name Age Gender
Tom 30 Male
Jack 33 Male
Jone 31 Female[['姓名', '年龄', '性别'], ['李雷', '20', '男'], ['韩梅梅', '23', '女'], ['赵小三', '25', '女']]姓名 |年龄 |性别 |
李雷  |20 |男  |
韩梅梅 |23 |女  |
赵小三 |25 |女  |[['30'], ['33']]30 |
33  |"""

文本解析的很全，只有表格1解析完全了，表格2只是解析了有框的部分

3、camelot

github: https://github.com/socialcopsdev/camelot

安装：

pip install camelot-py[cv]

示例

import camelottables = camelot.read_pdf("source/names.pdf")
tables.export("source/names.csv")

生成2个文件：
source/names-page-1-table-1.csv

"姓名","年龄","性别"
"李雷","20 男",""
"韩梅梅","23 女",""
"赵小三","25 女",""

source/names-page-1-table-2.csv

"Name","Age","Gender"
"Tom","","30 Male"
"Jack","","33 Male"
"Jone","","31 Female"

发现表格2的内容被解析出来了，不过两个表格的内容都错位了

经过测试后，发现这3个库对表格识别都不是太好

总结

库名	说明
tabula	能提取完整表格，提取结果不规范
pdfplumber	能提取完整表格，提取结果较为规范
camelot	能提取完整表格和不完整表格，提取结果不规范

python编程：tabula、pdfplumber、camelot进行表格数据识别相关推荐

2018年全国高校教师“Python编程、应用及华为大数据”培训班
关于举办2018年全国中高等院校教师 "Python编程.应用及华为大数据"培训班通知全国各中高等院校计算机.软件等相关院(系): Python是一门免费.开源的跨平台高级动态编 ...
2018年全国中高等院校教师“Python编程、应用及华为大数据” 、“网络空间安全”、“区块链”培训班...
关于举办2018年全国中高等院校教师"Python编程.应用及华为大数据" ."网络空间安全"."区块链"培训班通知全国各中高等院校计算机 ...
python 提取pdf表格_用Python提取pdf文件中的表格数据
本文作者:杨慧琳本文编辑:周聪聪技术总编:张学人有问题,不要怕!访问 http://www.wuhanstring.com/uploads/5_aboutus/爬虫俱乐部-用户问题登记表.docx ...
python读取html文件中的表格数据_Python 读取各类文件格式的文本信息 | doc,excel,html,mht...
原标题:Python 读取各类文件格式的文本信息 | doc,excel,html,mht 众所周知,python最强大的地方在于,python社区汇总拥有丰富的第三方库,开源的特性,使得有越来越多的 ...
Python实现将多个Excel表格数据一键合并到一个表格，轻松提升办公效率！
老板最近越来越过分了,快下班了发给我几百个表格让我把内容合并到一个表格内去. 还好我会Python,分分钟就搞定了,这要是换个不会Python的,不得加班到第二天天亮去了~ 这么好用的技能,必须分享给 ...
python怎么编辑excel_python 修改excel表格数据-关于如何用python 编辑 excel表格
python对Excel中数据的处理把你的写入excel 的内容编码一哈例如 str('内容').encode('utf-8') 或者str('内容').encode('gbk') 再写入exce ...
python编程从入门到实践之数据可视化部分总结和回顾(未完待续)
15.1生成数据 matplotlib:是一个数学绘图库,使用它可以制作简单的图标. pygal包:专注于生成适合在数字设备上显示的图标.通过使用pygal,可以在与图表交互时突出元素以及调整大小,还 ...
python编程简单案例_[五组数据]详解一个简单的卡尔曼滤波器python编程实例
上半年毕设的时候接触了卡尔曼滤波器,用matlab实现了该过程,尝试在一个课后作业中用三维度矩阵来存储变量的方式,结构似乎更好理解,记录一下分析的过程. 假如有一块电阻,你不知道它的阻值是多少,你想 ...
python读取html文件中的表格数据_使用解析html表pd.read_html文件其中单元格本身包含完整表...
不能使用^{}读取嵌套表,但可以滚动自己的html阅读器,并对表单元格使用read_html:import pandas as pd import bs4 with open('up_pf00344. ...

python编程：tabula、pdfplumber、camelot进行表格数据识别

准备数据

1、tabula

2、pdfplumber

3、camelot

总结

python编程：tabula、pdfplumber、camelot进行表格数据识别相关推荐

最新文章

热门文章