Wyodrębnij/zidentyfikuj tabele z pythona PDF

Question

Czy istnieją biblioteki open source, które obsługują identyfikację tabeli & ekstrakcji?

przez to znaczy:

1. zidentyfikować struktury tabeli istnieje
2. klasyfikować tabeli z jego zawartością
3. pobiera dane z tabeli w przydatnego formatu wyjściowego np JSON/CSV itd

ja przejrzałem podobne pytania na ten temat i okazało się, co następuje:

• PDFMiner który rozwiązuje problemu 3, ale wydaje się, że użytkownik ma obowiązek podać do PDFMiner gdzie dla każdej tabeli istnieje tabela (popraw mnie, jeśli się mylę)
• pdf-table-extract, która próbuje rozwiązać problem 1, ale zgodnie z listą To-Do, nie może obecnie zidentyfikować tabel oddzielonych białymi znakami. To jest problem, ponieważ wszystkie tabele w moich plikach PDF są oddzielone białymi znakami!

Obecnie myślę, że musiałbym poświęcić wiele czasu na opracowanie rozwiązania uczenia maszynowego w celu identyfikacji struktur tabeli z plików PDF. Dlatego wszelkie alternatywne podejścia byłyby więcej niż mile widziane!

Answer 1

powinno się przyjrzeć się tej odpowiedzi kopalni:

• Extracting table contents from a collection of PDF files

a także rzucić okiem na wszystkich linków zawartych w nim.

Tabula/TabulaPDF jest obecnie najlepszym narzędziem do ekstrakcji tabel, które jest dostępne do skrobania PDF.

Answer 2

Chciałbym tylko dodać do bardzo pomocny odpowiedź od Kurt Pfeifle - jest tam teraz wrapper Pythona do Tabula, a to wydaje się działać bardzo dobrze do tej pory: https://github.com/chezou/tabula-py

To będzie konwertować tabelę PDF do ramki danych Pandy. Możesz także ustawić obszar w współrzędnych x, y, co jest oczywiście bardzo przydatne w przypadku nieregularnych danych.

Answer 3

Po wielu owocnych godzinach eksploracji bibliotek OCR, ramek ograniczających i algorytmów grupowania - znalazłem rozwiązanie tak proste, że sprawia, że ​​chcesz płakać!

Mam nadzieję, że korzystasz z systemu Linux;

pdftotext -layout NAME_OF_PDF.pdf

AMAZING !!

Teraz masz ładny plik tekstowy z wszystkimi informacjami ustawieni w ładne kolumn, teraz jest trywialny do formatowania do csv etc ..

To dla takich momentach, że kocham Linux, ci faceci wymyślił ZADOWALAJĄCE rozwiązania wszystkiego i umieścił to ZA DARMO!