企业网站建设推广含义,平台型网站,网站建设与网页设计实训报告,做网站的人还能做什么一、python库camelot安装及使用中的一些注意事项 1#xff09;camelot方法有两种解析模式#xff1a;流解析#xff08;stream#xff09;、格子解析#xff08;lattice#xff09;#xff0c;其中格子解析能够保留表格完整的样式#xff0c;对于复杂表格来说要优于流…一、python库camelot安装及使用中的一些注意事项 1camelot方法有两种解析模式流解析stream、格子解析lattice其中格子解析能够保留表格完整的样式对于复杂表格来说要优于流解析模式。同时camelot方法默认格子解析lattice而采用这种解析方式需要安装ghostscript。因此仅通过pip命令安装的camelot代码运行时通常会报错。需要下载ghostscript.exe并安装。安装后经测试并不需要在代码中import ghostscript。 2camelot输出格式如果选择csv格式可能存在中文乱码问题需要用文本编辑器将导出的csv文件编码改为ansi格式。 如果想直接保存为excel格式需要xlwt模块支持pip安装xlwt后tables.export(‘文件名.xls’,f ‘excel’)即可输出为excel格式。 3后来在另外一台电脑上安装camelot库时出现了一个奇葩的问题程序运行报错。反复检查才发现原因。首先是在这台电脑上我是按照印象输入pip install camelot也安装成功。但代码运行错误。经查阅正确命令或者说版本是pip install camelot-py[cv]。 所以我先uninstall前面安装的camelot又重新按照正确的命令安装camelot-py[cv]但代码运行时又提示import xlwt有问题在python库中检查了下xlwt文件是正常的找了半天没找到原因。后来单独卸载xlwt然后重新pip安装xlwt发现xlwt的版本号由0.7变为1.3然后一切就正常了。估计是之前错误安装了camelot的版本导致顺带安装的xlwt版本过低无法兼容python3.6.5。 4camelot开始时一切正常但处理一个pdf文件时突然报错pdfminer.psparser.SyntaxError: Invalid dictionary construct: [/‘Type’, /‘Font’, /‘Subtype’, /‘Type0’, /‘BaseFont’, /bb’, /“ABCDEE\xcb\xce\xcc\xe5’”, /‘Encoding’, /‘Identity-H’, /‘DescendantFonts’, PDFObjRef:11, /‘ToUnicode’, PDFObjRef:19] 经百度找到解决方案修改了pandas和PyPDF2模块的三处源码恢复正常。具体修改内容见python爬虫处理在线预览的pdf文档https://link.csdn.net/?targethttps%3A%2F%2Fwww.cnblogs.com%2FEeyhan%2Farchive%2F2019%2F12%2F30%2F12111371.html 二 、 python库Camelot从pdf抽取表格数据 原文链接https://blog.csdn.net/xc_zhou/article/details/99242995 Camelot: 一个友好的PDF表格数据抽取工具 一个python命令行工具使任何人都能很轻松的从PDF文件中抽取表格数据。 安装 Camelot 安装非常简单! 在安装相关的依赖后可以直接使用pip安装。 $ pip install camelot-py 1 怎样使用Camelot 使用Camelot从PDF文档提取数据非常简单 为什么使用Camelot Camelot允许你通过调整设置项来精确控制数据的提取过程可以根据空白和精度指标来判断坏的表格并丢弃而不必手动检查每一个表格数据是一个panda的dataframe从而可以很方便的集成到ETL和数据分析工作流中可以把数据导出为各种不同的格式比如 CSV、JSON、EXCEL、HTML 首先让我们看一个简单的例子eg.pdf整个文件只有一页这一页中只有一个表格如下 使用以下Python代码就可以提取该PDF文件中的表格 import camelot从PDF文件中提取表格 tables camelot.read_pdf(‘E://eg.pdf’, pages‘1’, flavor‘stream’) 表格信息 print(tables) print(tables[0]) 表格数据 print(tables[0].data) 12345678910 输出结果为 TableList n1 Table shape(4, 4) [[ID, 姓名, 城市, 性别], [1, Alex, Shanghai, M], [2, Bob, Beijing, F], [3, Cook, New York, M]] 123 分析代码camelot.read_pdf()为camelot的从表格中提取数据的函数输入的参数为PDF文件的路径页码pages和表格解析方法有stream和lattice两个方法。对于表格解析方法默认的方法为lattice而stream方法默认会把整个PDF页面当做一个表格来解析如果需要指定解析页面中的区域可以使用table_area这个参数。 camelot模块的便捷之处还在于它提供了将提取后的表格数据直接转化为pandascsvJSONhtml的函数如tables[0].dftables[0].to_csv()函数等。我们以输出csv文件为例 import camelot从PDF文件中提取表格 tables camelot.read_pdf(‘E://eg.pdf’, pages‘1’, flavor‘stream’) 将表格数据转化为csv文件 tables[0].to_csv(‘E://eg.csv’) 1234567 得到的csv文件如下 例2 在例2中我们将提取PDF页面中的某一区域的表格的数据。PDF文件的页面部分如下 为了提取整个页面中唯一的表格我们需要定位表格所在的位置。PDF文件的坐标系统与图片不一样它以左下角的顶点为原点向右为x轴向上为y轴可以通过以下Python代码输出整个页面的文字的坐标情况 import camelot从PDF中提取表格 tables camelot.read_pdf(‘G://Statistics-Fundamentals-Succinctly.pdf’, pages‘53’, flavor‘stream’) 绘制PDF文档的坐标定位表格所在的位置 tables[0].plot(‘text’) 12345678 输出结果为 UserWarning: No tables found on page-53 [stream.py:292] 1 整个代码没有找到表格这是因为stream方法默认将整个PDF页面当作表格因此就没有找到表格。但是绘制的页面坐标的图像如下 仔细对比之前的PDF页面我们不难发现表格对应的区域的左上角坐标为50,620右下角的坐标为500,540。我们在read_pdf()函数中加入table_area参数完整的Python代码如下 import camelot识别指定区域中的表格数据 tables camelot.read_pdf(‘G://Statistics-Fundamentals-Succinctly.pdf’, pages‘53’, flavor‘stream’, table_area[‘50,620,500,540’]) 绘制PDF文档的坐标定位表格所在的位置 table_df tables[0].df print(type(table_df)) print(table_df.head(n6)) 1234567891011 输出的结果为 class pandas.core.frame.DataFrame0 1 2 3 0 Student Pre-test score Post-test score Difference 1 1 70 73 3 2 2 64 65 1 3 3 69 63 -6 4 … … … … 5 34 82 88 6 12345678 总结 在具体识别PDF页面中的表格时除了指定区域这个参数还有上下标、单元格合并等参数详细地使用方法可参考camelot官方文档网址https://camelot-py.readthedocs.io/en/master/ 参考https://www.php.cn/python-tutorials-412223.html https://mp.weixin.qq.com/s?__bizMjM5NzU0MzU0Nwmid2651380263idx1sn514485e8c4fe820834bacbcccfbb4ae9chksmbd2411338a539825977b2ab6d6e7a1fd86dfe0c85ba54a50d1472c309f7b1efdc164d1da4f96mpshare1scene23srcid0520POo6Bt0M0FUTbhnwNptJ#rd