读取PDF中表格数据并存为多种格式

有的论文没有提供可下载的数据，只在正文中列出。由此产生从pdf的表格中提取数据的需求。

从网上找到几种方法，搬运过来，供自己日后查看。

tabula读取pdf后可转为pandas dataframe进行后续处理，也可直接输出csv文件。来自https://github.com/chezou/tabula-py

例子

###Java 8+
###Python 3.6+
###required
###pip install tabula-py

import tabula

# Read pdf into list of DataFrame
df = tabula.read_pdf("test.pdf", pages='all')

# Read remote pdf into list of DataFrame
df2 = tabula.read_pdf("https://github.com/tabulapdf/tabula-java/raw/master/src/test/resources/technology/tabula/arabic.pdf")

# convert PDF into CSV file
tabula.convert_into("test.pdf", "output.csv", output_format="csv", pages='all')

# convert all PDFs in a directory
tabula.convert_into_by_batch("input_directory", output_format='csv', pages='all')

表中有中文需修改代码

pd.read_csv("example.csv", encoding="GB18030")