Camelot: PDF表格提取利器

Camelot: PDF表格提取利器

camelot Camelot: PDF Table Extraction for Humans 项目地址: https://gitcode.com/gh_mirrors/ca/camelot

1. 项目介绍

Camelot 是一个用 Python 编写的库，它让任何人都能轻松地从 PDF 文件中提取表格。Camelot 不仅提供了强大的表格识别功能，还允许用户基于准确度等指标调整和优化提取结果。每个提取的表格都可以转化为 pandas DataFrame，方便集成到 ETL 和数据分析工作流中。

2. 项目快速启动

安装

使用 conda:

conda install -c conda-forge camelot-py

使用 pip（需要先安装 tk 和 ghostscript）:

pip install camelot-py[cv]

从源代码安装（需要先安装依赖）:

git clone https://github.com/camelot-dev/camelot
cd camelot
pip install ".[cv]"

示例代码

import camelot

# 读取 PDF 文件
tables = camelot.read_pdf('example.pdf')

# 导出 CSV 文件
tables.export('tables.csv', f='csv')

# 获取第一个表格的数据框架
df = tables[0].df

3. 应用案例和最佳实践

提取表格

使用 Camelot 提取 PDF 中的表格非常简单。首先，你需要确定 PDF 文件是文本格式的（即你可以用鼠标在 PDF 阅读器中选择文本）。以下是提取表格的基本步骤：

import camelot

# 读取 PDF 文件
tables = camelot.read_pdf('example.pdf')

# 检查表格
for table in tables:
    print(table)

# 导出表格到 CSV
tables.export('extracted_tables.csv', f='csv')

处理提取结果

Camelot 允许你基于各种指标，如准确度和空白度，来评估和筛选提取的表格。

# 获取准确度大于 90% 的表格
high_accuracy_tables = [table for table in tables if table.parsing_report['accuracy'] > 90]

# 导出高准确度的表格
high_accuracy_tables.export('high_accuracy_tables.csv', f='csv')

4. 典型生态项目

Camelot 的设计中考虑了与其他工具和库的集成。例如，你可以将提取的数据直接转化为 pandas DataFrame，从而方便地与 Jupyter Notebook、数据分析和数据库操作等工具链进行集成。此外，Camelot 还可以与 Excalibur 这样的 web 界面工具配合使用，为用户提供更丰富的交互体验。

以上就是 Camelot 的简单介绍和快速入门。通过 Camelot，开发者可以大大简化从 PDF 文件提取表格数据的流程，提高工作效率。

camelot Camelot: PDF Table Extraction for Humans 项目地址: https://gitcode.com/gh_mirrors/ca/camelot