表哥表姐不要愁!5分钟学会用Python从PDF提取表格table

"600300，维维股份，000620，新华联，600090，同济堂，000157，中联重科"，2019年上半年财报密集发布!

遇到财报发布的季节了，表哥表姐发愁啊，为什么都是PDF的,还有这么多，周末的安排又泡汤呢？

很多时候我们需要用到PDF文件中的Excel表格，但是PDF文件有不可编辑性，所以想提取PDF文件中的表格还是需要一番功夫的。这是加班都搞不定的！

不要愁，Python大大又来帮助表哥表姐了。不仅教表哥表姐如何提取表格数据，而且还是自动档，一次编写，批量文件几分钟就搞定。

以下将介绍几种使用Python从PDF中抓取表格的方法。友情提示：仅适用于非扫描图像的PDF。

Tabula-PY

是一个非常好的软件包，它允许您同时扫描PDF，以及将PDF直接转换为CSV文件。

安装后，tabula-py很容易使用。安装后，tabula-py很容易使用。下面我们使用它从讨论Iris数据集的分类的论文中提取所有表格）。

 import tabula
 file = "seminar8.pdf"
 tables = tabula.read_pdf(file, pages = "all", multiple_tables = True)

存储到表中的结果是一个数据框列表，它对应于PDF文件中找到的所有表。要搜索文件中的所有表，您必须指定参数page ="all"和multiple_tables = True。

还可以使用tabula-py将PDF文件直接转换为CSV。下面的第一行将找到PDF中的第一个表并将其输出为CSV。如果我们添加参数all = True，我们可以将所有PDF表格写入CSV。

# output just the first table in the PDF to a CSV
tabula.convert_into(file, "iris_first_table.csv")
 # output all the tables in the PDF to a CSV
tabula.convert_into(file, "iris_all.csv", all = True)

tabula-py还可以仅用一行代码读取目录中的所有PDF，并将每个表中的表提取到CSV文件中。

 tabula.convert_into_by_batch("/path/to/files", output_format = "csv", pages = "all")

我们可以执行相同的操作，将表格提取到JSON，如下所示。

 tabula.convert_into_by_batch("/path/to/files", output_format = "json", pages = "all")

Camelot

是从PDF中抓取表格的另一种解决方案。

Camelot确实有一些额外的依赖项，包括GhostScript安装完成后，我们可以像使用tabula-py一样使用Camelot来抓取PDF表格。

 file = "seminar8.pdf" 
tables = camelot.read_pdf(file, pages = "1-end")

这将返回TableList对象。要访问index找到的任何表，您可以这样做：

# get the 0th-indexed-table table
tables[0].df
# get the 3rd-indexed-table
tables[3].df

Camelot的一个很酷的功能是，您还可以获得每个表的"解析报告"，其中包含精确度指标，找到表格的页面以及表格中存在的空白百分比。

 tables[0].parsing_report
tables[3].parsing_report

从这里可以看到第0个索引的已识别表基本上是空白。如果查看原始PDF，可以看到该页面未包含表格，因此忽略此空数据框是安全的。

与tabula-py一样，您可以将所有表导出到文件中。 Camelot支持（撰写本文时）CSV，JSON，HTML和SQLite。如果选择CSV，默认情况下，Camelot将为每个表创建单独的CSV文件。您可以通过添加参数compress = True来创建这些CSV的zip文件。选择导出到Excel将创建一个包含每个表的单个工作表的工作簿。

 # export all tables at once to CSV files
tables.export("camelot_tables.csv", f = "csv")
# export all tables at once to CSV files in a single zip
tables.export("camelot_tables.csv", f = "csv", compress = True)
# export each table to a separate worksheet in an Excel file
tables.export("camelot_tables.xlsx", f = "excel")

如果只想导出一个表，就可以像在pandas中那样导出，因为每个表都可以称为数据框对象。

 tables[3].to_csv("camelot_third_table.csv")
tables[3].to_excel("camelot_third_table.xlsx")

Excalibur

如果您正在寻找用于提取PDF表格的Web应用，您可以查看构建在Camelot之上的Excalibur。

您可以从命令行开始使用Excalibur。打开命令行后，只需键入以下内容：

 excalibur initdb

上面的命令将初始化应用程序所需的元数据库。接下来，运行以下命令以通过Flask启动Web服务器：

excalibur webserver

然后您打开Web浏览器，输入127.0.0.1:5000,可以看到如下界面。

点Upload PDF，上传选择的PDF文件后，Excalibur将完成其余所有的工作。

表哥表姐，不用发愁了吧！

有任何意见或建议欢迎大家点赞交流。