table 从 PDF 中提取 tabula vs camelot
tabula vs camelot for table extraction from PDF
我需要从pdf中提取表格,这些表格可以是任何类型,多个headers,垂直headers,水平header等
我已经实现了两者的基本用例,发现 tabula 比 camelot 做得好一点,但仍然无法完美地检测所有表格,我不确定它是否适用于所有类型。
所以向实施过类似用例的专家寻求建议。
Tabula 实施:
import tabula
tab = tabula.read_pdf('pdfs/PDF1.pdf', pages='all')
for t in tab:
print(t, "\n=========================\n")
Camelot 实施:
import camelot
tables = camelot.read_pdf('pdfs/PDF1.pdf', pages='all', split_text=True)
tables
for tabs in tables:
print(tabs.df, "\n=================================\n")
请阅读:https://camelot-py.readthedocs.io/en/master/#why-camelot
Camelot的主要优点是这个库有丰富的参数,通过它你可以改进提取。
显然,这些参数的应用需要一些研究和各种尝试。
Here 您可以找到 Camelot 与其他 PDF Table 提取库的比较。
我认为 Camelot 更好地以干净的格式提取数据而不是混乱(即数据保留信息并且行内容不受影响)。
因此,在每个单元格的行数不同的情况下,提取的数据质量更好。
->Tabula 需要 Java 运行时环境
有开放(Tabula、pdf-table-extract)源(smallpdf、PDFTables)工具广泛用于从 PDF 文件中提取 tables。他们要么给出很好的输出,要么惨败。没有介于两者之间。这没有帮助,因为现实世界中的一切,包括 PDF table 提取,都是模糊的。这导致为每种类型的 PDF table 创建临时 table 提取脚本。
Camelot 的创建是为了让用户能够完全控制 table 提取。如果您无法使用默认设置获得所需的输出,您可以调整它们并完成工作!
我需要从pdf中提取表格,这些表格可以是任何类型,多个headers,垂直headers,水平header等
我已经实现了两者的基本用例,发现 tabula 比 camelot 做得好一点,但仍然无法完美地检测所有表格,我不确定它是否适用于所有类型。
所以向实施过类似用例的专家寻求建议。
Tabula 实施:
import tabula
tab = tabula.read_pdf('pdfs/PDF1.pdf', pages='all')
for t in tab:
print(t, "\n=========================\n")
Camelot 实施:
import camelot
tables = camelot.read_pdf('pdfs/PDF1.pdf', pages='all', split_text=True)
tables
for tabs in tables:
print(tabs.df, "\n=================================\n")
请阅读:https://camelot-py.readthedocs.io/en/master/#why-camelot
Camelot的主要优点是这个库有丰富的参数,通过它你可以改进提取。
显然,这些参数的应用需要一些研究和各种尝试。
Here 您可以找到 Camelot 与其他 PDF Table 提取库的比较。
我认为 Camelot 更好地以干净的格式提取数据而不是混乱(即数据保留信息并且行内容不受影响)。 因此,在每个单元格的行数不同的情况下,提取的数据质量更好。 ->Tabula 需要 Java 运行时环境
有开放(Tabula、pdf-table-extract)源(smallpdf、PDFTables)工具广泛用于从 PDF 文件中提取 tables。他们要么给出很好的输出,要么惨败。没有介于两者之间。这没有帮助,因为现实世界中的一切,包括 PDF table 提取,都是模糊的。这导致为每种类型的 PDF table 创建临时 table 提取脚本。 Camelot 的创建是为了让用户能够完全控制 table 提取。如果您无法使用默认设置获得所需的输出,您可以调整它们并完成工作!