如果你有从 PDF 中批量提取表格的需要，那么这篇文章就是你的福音。
Python 第三方模块 Camelot 可能精准辨认 PDF 中的表格信息，并提取为 pandas 数据结构，而且还能导出为多种格局：JSON，Excel，HTML 和 Sqlite。
上面给大家介绍这个模块的应用办法：
1. 筹备
开始之前，你要确保 Python 和 pip 曾经胜利装置在电脑上。
如果你用 Python 的目标是数据分析，能够间接装置 Anaconda，它内置了 Python 和 pip.
此外，举荐大家用 VSCode 编辑器，它有许多的长处。
请抉择以下任一种形式输出命令装置依赖 ：
- Windows 环境 关上 Cmd (开始 - 运行 -CMD。
- MacOS 环境 关上 Terminal (command+ 空格输出 Terminal)。
- 如果你用的是 VSCode 编辑器 或 Pycharm，能够间接应用界面下方的 Terminal。
pip install camelot-py[cv]2. 应用
最简略的应用形式如下：
import camelot
# 1. 读取 pdf
tables = camelot.read_pdf('foo.pdf', flavor='stream')
# 2. 导出 pdf 所有的表格为 csv 文件
tables.export('foo.csv', f='csv') # json, excel, html, sqlite第一行，导入 camelot 这个模块。
第二行，以 stream 的模式读取当前目录的 foo.pdf 文件。
第三行，将所有表格数据导出为 foo.csv 文件，并保留在以后文件夹下。
相当简略，请留神，read_pdf 的 flavor 参数是可选的，如果你不带这个参数，请留神须要装置 ghostscript 这个驱动，因为它默认应用 ghostscript 去用 lattice 模式。
3. 进阶
3.1 解决背景线：
能够看到，很多表格的线都暗藏在背景中。这种表格默认是不反对的，这时候咱们须要让程序可能自动识别这样的表格：
tables = camelot.read_pdf('background_lines.pdf', process_background=True)减少 process_background=True 参数即可。
3.2 指定表格区域
某些状况下无奈正确辨认到 PDF 中的表格，此时手动设定左上角和右下角的边界可能是有成果的：
tables = camelot.read_pdf('table_areas.pdf', flavor='stream', table_areas=['316,499,566,337']) 其中 table_areas 承受格局为 x1，y1，x2，y2 的字符串，其中 (x1，y1) -> 左上角, (x2，y2) -> 右下角。在 PDF 坐标空间中，页面的左下角是原点，坐标为（0，0）。
咱们的文章到此就完结啦，如果你喜爱明天的 Python 实战教程，能够关注公众号 Python 编程学习圈 ，理解更多编程技术干货！