Question

问题陈述：

我有一个PDF，其结构类似于表格，但线条不可见。请在下面的示例中找到：

上面的图片是我的表格在PDF页面之一中的显示方式。

我的研究

How to extract table as text from the PDF using Python?-回答了这个问题，看到了所有答案。没有帮助
Tabula ：尝试使用 tabula API，但它仅提取标题而不是文本，可能是因为没有行。
我可以将整个pdf转换为文本，然后尝试以正则表达式或某种方式进行数据提取。但这可能非常乏味且耗时。另外，随着PDF的更改，整个编码必须再次进行。

询问

他们是否有任何API或Python软件包可以帮助我做到这一点（ Windows和Python 3.x ）？

Answer 1

您需要使用一个软件包，为您提供PDF文本的x和y坐标。 PyMuPDF或pdfminer是我的建议。然后，您需要以编程方式确定遇到的每个文本块所在的行和列。

Answer 2

尝试使用Camelot并指定您的表没有这样的行：

tables = camelot.read_pdf('file.pdf', flavor = 'stream')

有关更多信息，请参阅文档https://camelot-py.readthedocs.io/en/master/

Answer 3

我通过tabula-py

解决了这个问题

>>> import tabula
>>> area = [70, 30, 750, 570]
>>> page2 = tabula.read_pdf("nar_2021_editorial-2.pdf", guess=False, lattice=False, 
                 stream=True, multiple_tables=False, area=area, pages="all",
                   )
>>> page2

我得到了这个结果

> 'pages' argument isn't specified.Will extract only from page 1 by default. [      
> ShortTitle                                              Text  \  0    
> Arena3Dweb         3D visualisation of multilayered networks     1    
> Aviator       Monitoring the availability of web services     2       
> b2bTools  Predictions for protein biophysical features and     3      
> NaN                                their conservation     4         
> BENZ WS          Four-level Enzyme Commission (EC) number     ..      
> ...                                               ...     68 
> miRTargetLink2              miRNA target gene and target pathway    
> 69             NaN                                          networks  
> 70       mmCSM-PPI            Effects of multiple point mutations on  
> 71             NaN                      protein-protein interactions  
> 72        ModFOLD8           Quality estimates for 3D protein models  
> 
>  
>                                                 URL    0                    http://bib.fleming.gr/Arena3D    1         
> https://www.ccb.uni-saarland.de/aviator    2                   
> https://bio2byte.be/b2btools/    3                                    
> NaN    4                 https://benzdb.biocomp.unibo.it/    ..       
> ...    68  https://www.ccb.uni-saarland.de/mirtargetlink2    69       
> NaN    70          http://biosig.unimelb.edu.au/mmcsm ppi    71       
> NaN    72       https://www.reading.ac.uk/bioinf/ModFOLD/      [73
> rows x 3 columns]]

希望能帮到你

从PDF中提取带有不可见线条的表格

3 个答案: