Camelot PDF 无法剥离文本

Camelot PDF failing to strip text

我有 this pdf,我正在尝试着手处理它,这是第一个 table。

当雇主名称 (EMPREGADOR) 达到两行时会出现此问题。

我正在使用以下命令尝试正确剥离数据:

tables = camelot.read_pdf('tipo1/t1_3.pdf', pages='1', flavor='stream', edge_tol=500, strip_text='\n')
df = tables[0].df
print(df)

但结果如下:

                      0                             1                           2
0            EMPREGADOR              DATA DE ADMISSÃO                   PIS/PASEP
1           ABC ABC ABC                                                          
2                                          07/01/2008                   123123123
3                  LTDA                                                          
4  CARTEIRA DE TRABALHO       INSCRIÇÃO DO EMPREGADOR             NÚMERO DA CONTA
5                123123                        123123                  1231231231
6         DATA DE OPÇÃO  DATA E CÓDIGO DE AFASTAMENTO                   CATEGORIA
7            07/01/2008               30/09/2011 - N2                           1
8         TIPO DE CONTA                 TAXA DE JUROS  VALOR PARA FINS RECISÓRIOS
9               OPTANTE                      3.0% a.a                     R$ 0,00

尝试阅读文档,但没有找到任何可以帮助我正确获取雇主 (EMPREGADOR) 数据(在本例中为 ABC ABC ABC LTDA)的信息。

这是一个问题,因为雇主名称的长度可能会变化为 1、2、3 甚至更多行,从而使 DF 变得混乱,因此难以编码。

有什么建议吗?

正如 Stefano Fiorucci 在评论中提到的,Camelot 目前不支持所需的功能。解决方案是手动操作数据。