表格解析调研

表格解析调研

TextInTools

TextInTools：https://tools.textin.com/table

可以将表格图片解析成可编辑的表格/json，效果不错

白描

地址：https://web.baimiaoapp.com/image-to-excel

可以将表格图片识别成可编辑的表格，可复制、导出为xlsx、txt。效果不错，但是免费有额度

i2PDF

地址：https://www.i2pdf.com/cn/extract-tables-from-pdf

可以对pdf进行多种处理，提取表格效果不错，并且可以选择导出的格式，效果不错

Tabula-PDF

项目地址：https://github.com/tabulapdf/tabula

用于从PDF文档中识别和提取表格数据。它利用机器学习算法和计算机视觉技术，能够准确地识别PDF页面中的表格，并将其转换为结构化数据。Tabula-PDF会将识别到的表格转换为结构化数据，如CSV、Excel、json等格式。效果一般

pdflux

项目地址：https://pdflux.com/

效果不错，会有免费额度

iLoveOCR

地址：https://cn.iloveocr.com/

效果一般

ocr2edit

地址：https://www.ocr2edit.com/zh

识别效果不好

py代码

使用python-docx库

python代码实现将word中的表格解析出来

from docx import Document

doc = Document('example.docx')
for table in doc.tables:
    for row in table.rows:
        cells = [cell.text for cell in row.cells]
        print(cells)

使用PyMuPDF库

需要安装PyMuPDF，可以用来提取pdf内容，并且可以查找页面的表格。效果不错

import fitz

doc = fitz.open('../example.pdf')
page = doc[2]  # 下标从0开始
tables = page.find_tables()
df = tables[1].to_pandas()

df.to_excel('table.xlsx', index=False)

使用pdfplumber库

使用pdfplumber实现将pdf中的表格解析出来，效果一般，示例代码如下：

import pdfplumber
import pandas as pd

with pdfplumber.open("../example.pdf") as pdf:
    page = pdf.pages[3]
    for table in page.extract_tables():
        df = pd.DataFrame(table[1:], columns=table[0])
        df.to_excel('table.xlsx', index=False)

使用camelot库

camelot专门用于从 PDF 文件中提取表格数据。效果不错

import camelot

tables = camelot.read_pdf('../example.pdf')

tables.export('result.csv', f='csv', compress=True) # json, excel, html, markdown, sqlite

print(tables[0].parsing_report)

tables[0].to_csv('result.csv') # to_json, to_excel, to_html, to_markdown, to_sqlite