Question

我正在使用pypdf从pdf文件中提取文本。问题是不提取pdf文件中的表。我也尝试过使用pdfminer，但我遇到了同样的问题。

Answer 1

问题是PDF中的表通常由绝对定位的行和字符组成，将它转换为合理的表格表示是非常重要的。

在Python中，PDFMiner可能是你最好的选择。它为您提供了布局对象的树结构，但您必须通过查看行（LTLine）和文本框（LTTextBox）的位置来自行解释。 There's a little bit of documentation here

或者，PDFX尝试这种方式（并且通常会成功），但您必须将其用作Web服务（不理想，但对于偶尔的工作很好）。要从Python执行此操作，您可以执行以下操作：

import urllib2
import xml.etree.ElementTree as ET

# Make request to PDFX
pdfdata = open('example.pdf', 'rb').read()
request = urllib2.Request('http://pdfx.cs.man.ac.uk', pdfdata, headers={'Content-Type' : 'application/pdf'})
response = urllib2.urlopen(request).read()

# Parse the response
tree = ET.fromstring(response)
for tbox in tree.findall('.//region[@class="DoCO:TableBox"]'):
    src = ET.tostring(tbox.find('content/table'))
    info = ET.tostring(tbox.find('region[@class="TableInfo"]'))
    caption = ET.tostring(tbox.find('caption'))

pypdf没有从pdf中提取表格

1 个答案: