关于Python使用Camelot库优化提取PDF三线表的技巧，解决识别的表字段名错位，过多的空白单元的问题

参考文章：camelot官方文档

依赖库

camelot

问题描述

测试文件

自行准备的含有三线表的PDF文件

原始代码

tables = camelot.read_pdf(path, pages=str(pageID), flavor="stream", table_areas=[area])

原始提取效果

1： 内存中提取时出现的字段错位

2： 输出文件中出现的过多空白单元

原因分析

针对表字段错位：

可能是由于Camelot库在进行扫描过程中，对 单行高度的检测阈值 设置过低。查阅源码后其阈值默认为2，可以进行修改为10。

针对空白单元：

可能是由于Camelot库在扫描的过程中， 对 单行高度的检测阈值 设置过高，导致获得了多余的 \n 换行符，使得换行符之后的文本内容没有写入输出文件。

内存中由于单行高度的检测阈值设置过高，所出现的情况：

解决方案

针对表字段错位

将 单行高度的检测阈值 设置 合适的值，官方推荐为 10 ，（默认为2），当阈值设置超过10后，会导致多行并为一行的情况发生。
即，设置 row_tol属性， 例：row_tol=10

针对空白单元

对提取出的文本信息，将其中的“\n”字符过滤掉。
即，设置strip_text属性， 例： strip_text="\n"

最终实现代码

tables = camelot.read_pdf(path, pages=str(pageID), flavor="stream", table_areas=[area], row_tol=10,
                                  strip_text="\n")

最终效果

优化后识别的Table1 （内存中表示）

优化后识别的Table1 （输出文件中表示）