Tabula-py read_pdf_with_template() 方法

Question

我正在尝试将文档的特定部分阅读为 table。它的结构为 table，但单元格、行或列之间没有分界线。

我成功地使用带有 area 和 column 参数的 read_pdf() 方法。我可以准确指定 table 开始和结束的位置以及列的分隔位置。

但是我的 pdf 在每个页面上都有多个不同大小的 tables，没有明确的标记来识别它们，我必须使用这些参数。

我在 Github 回购问题 here, and a bit more about it in the documentation, pull request and the example notebook 中发现了 read_pdf_with_template() 方法。

但没有任何地方提到如何构建 teamplate.json 以及我可以使用哪些参数或它们的含义。

我尝试将 area 坐标插入 x1, y1, x2, y2，在方法参数和 height、width 参数中传递列列表，其大小为 table.

但它拾取了 pdf 的顶部中心部分，该部分不等于我在反向计算所有内容时插入的任何坐标。

这是我正在尝试阅读的页面（我删除了一些敏感数据）

这是代码片段

import tabula

tables = tabula.read_pdf_with_template(input_path = "test.pdf", template_path = "template.json", columns=[195, 310, 380])

print(tables[0])

[
    {
        "page": 1,
        "extraction_method": "stream",
        "x1": 225,
        "x2": 35,
        "y1": 375,
        "y2": 565,
        "width": 525,
        "height": 400
    }
]

Answer 1

我只是个笨蛋。

模板不是您手动生成的东西。它们应该由提到的 tabula 应用程序生成 here。

只需从 official website 下载表格。启动应用程序后，它非常简单。手动单击并拖动每个页面上的每个 table，然后单击顶部的下载模板按钮。

Tabula-py read_pdf_with_template() 方法

Tabula-py read_pdf_with_template() method

python

tabula

tabula-py