使用camelot从PDF中提取表数据时，没有从PDF中提取标题

Question

我正在使用camelot进行表数据提取，但是标头并未作为PDF的一部分被提取。

附加目标 下面的PDF链接和目标表位于第3和4页，需要将其提取。

https://drive.google.com/file/d/1xniTIwpnNIdA_k4xvEARlVH97Lk-K2Yr/view?usp=sharing

其中一个表如下所示

我已经看过camelot文档，并且我认为问题与“检测短线”

有关

https://camelot-py.readthedocs.io/en/master/user/advanced.html#detect-short-lines

但是，通过调整 line_size_scaling 参数无法解决该问题。

请协助。

Answer 1

我使用$ camelot -p 3 lattice -plot contour 007.pdf在第3页上绘制了检测到的表边界。看起来Camelot在检测到的表边界中未包含标题行[错误1]（请参见下图）。然后，我尝试将table_areas关键字参数与flavor='lattice'一起使用，但是它没有在指定的表边界中包含行[错误2]。我将它们添加到了问题跟踪器上，分别为#200和#201。

您仍然可以将table_areas关键字参数与flavor='stream'一起使用以获取表格。

使用CLI：$ camelot -p 3 --output 007.csv --format csv stream -T 60,770,520,400 007.pdf

使用API​​：tables = camelot.read_pdf('007.pdf', pages='3', flavor='stream', table_areas=['60,770,520,400'])

您可以使用此处描述的步骤找到表格边界坐标：https://camelot-py.readthedocs.io/en/master/user/advanced.html#visual-debugging

希望有帮助！