使用 camelot 从 pdf 中提取文本时如何剥离 (CID:)
How to strip (CID:) when using camelot to extract text from pdfs
我正在使用 Camelot 从 pdf 中提取文本。
pdf 还包含汉字，Camelot 为其打印相同的 Cid。例如 (cid:3634)
我想去掉那些 CID，因为汉字对我来说不重要。
我试过这个：
>>> tables = camelot.read_pdf('D:/iolo/1. Hangcha/1. FORKLIFTS ELECTRIC/2. NK15E - 3 WHEEL - NEW-(2014)/copy.pdf',pages='12',strip_text='(cid:[0-9])')
但只删除 CID 帧，不删除其中的数字。
See example Output Image Here
请帮忙
目前，Camelot 参数 strip_text 不支持正则表达式（参见 official repository）。
相反，您可以使用 Pandas replace 方法：
for table in tables:
table.df.replace(to_replace='\(cid\:[0-9]+\)', value='', inplace=True, regex=True)
我正在使用 Camelot 从 pdf 中提取文本。 pdf 还包含汉字，Camelot 为其打印相同的 Cid。例如 (cid:3634)
我想去掉那些 CID，因为汉字对我来说不重要。
我试过这个：
>>> tables = camelot.read_pdf('D:/iolo/1. Hangcha/1. FORKLIFTS ELECTRIC/2. NK15E - 3 WHEEL - NEW-(2014)/copy.pdf',pages='12',strip_text='(cid:[0-9])')
但只删除 CID 帧，不删除其中的数字。
See example Output Image Here 请帮忙
目前，Camelot 参数 strip_text 不支持正则表达式（参见 official repository）。
相反，您可以使用 Pandas replace 方法：
for table in tables:
table.df.replace(to_replace='\(cid\:[0-9]+\)', value='', inplace=True, regex=True)