本文就目前python图表识别的库进行测试

1、tabula

2、pdfplumber

3、camelot

准备数据

excel：names.xlsx，两个表格

表格1：所有字段都被线条包围

表格2：最外层没有线条包围

将excel另存为pdf：names.pdf

1、tabula

安装:

pip install tabula-py

1

依赖：

Java 7, 8

代码示例：

import tabula

tabula.convert_into(

input_path="source/names.pdf", output_path="source/names.csv", output_format='csv' )

1

2

3

4

5

6

7

转换出来的names.csv，发现只有表格1被提取出来了，而且不规范，中间多了逗号

"姓名",年龄,性别

"李雷",,20 男

"韩梅梅",,23 女

"赵小三",,25 女

1

2

3

4

5

2、pdfplumber

安装

pip install pdfplumber

1

代码示例：

import pdfplumber

import pandas as pd

with pdfplumber.open("source/names.pdf") as pdf: # 获取第一页 first_page = pdf.pages[0] # 解析文本 text = first_page.extract_text() print(text) # 解析表格 tables = first_page.extract_tables() for table in tables: print(table) # df = pd.DataFrame(table[1:], columns=table[0]) for row in table: for cell in row: print(cell, end="\t|") print() """ 表格1: 姓名 年龄 性别 李雷 20 男 韩梅梅 23 女 赵小三 25 女 Table2： Name Age Gender Tom 30 Male Jack 33 Male Jone 31 Female [['姓名', '年龄', '性别'], ['李雷', '20', '男'], ['韩梅梅', '23', '女'], ['赵小三', '25', '女']] 姓名 |年龄 |性别 | 李雷 |20 |男 | 韩梅梅 |23 |女 | 赵小三 |25 |女 | [['30'], ['33']] 30 | 33 | """

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

文本解析的很全，只有表格1解析完全了，表格2只是解析了有框的部分

3、camelot

安装：

pip install camelot-py[cv]

1

示例

import camelot

tables = camelot.read_pdf("source/names.pdf") tables.export("source/names.csv")

1

2

3

4

生成2个文件：

source/names-page-1-table-1.csv

"姓名","年龄","性别"

"李雷","20 男",""

"韩梅梅","23 女",""

"赵小三","25 女",""

1

2

3

4

5

source/names-page-1-table-2.csv

"Name","Age","Gender"

"Tom","","30 Male"

"Jack","","33 Male"

"Jone","","31 Female"

1

2

3

4

5

发现表格2的内容被解析出来了，不过两个表格的内容都错位了

经过测试后，发现这3个库对表格识别都不是太好

总结

库名

说明

tabula

能提取完整表格，提取结果不规范

pdfplumber

能提取完整表格，提取结果较为规范

camelot

能提取完整表格和不完整表格，提取结果不规范