从 PDF 中提取带有不可见线条的表格答案

【问题标题】：Extract table with invisible lines from PDF从 PDF 中提取带有不可见线条的表格
【发布时间】：2018-09-28 12:16:48
【问题描述】：

问题陈述：

我有一个 PDF，其结构类似于表格，但线条不可见。请在下面找到示例：

上图是我的表格在其中一个 PDF 页面中的外观。

我的研究

How to extract table as text from the PDF using Python? -- 看完了这个问题，看到了所有的答案。没有帮助
Tabula：尝试了 tabula API，但它只提取标题而不是文本，可能是因为没有行。
我可以将整个 pdf 转换为文本，然后尝试以某种方式使用正则表达式或数据操作来提取它。但这可能非常乏味且耗时。此外，随着 PDF 的更改，整个编码必须再次完成。

问

他们是否有任何 API 或 Python 包可以帮助我做到这一点（Windows 和 Python 3.x）？

【问题讨论】：

对不起，我的错。应该读; how-to-extract-table-as-text-from-the-pdf-using-python
已经这样做了...你有没有完整阅读我的问题...这个链接是我研究的一部分？
这个链接回答你的问题！同样没有minimal reproducible example，这个问题将被hold。
它不是因为我的表格有不可见的边界，并且提供的链接中的所有答案都认为表格有边界。
@El_1988：可能没有通用的解决方案！我尝试做的是通过 PyMuPdf 或任何其他软件包阅读 PDF……看看他们是如何破坏表格的，然后编写代码/逻辑来提取相关数据！！

标签： python pdf extract

【解决方案1】：

您需要使用一个包来为您提供 PDF 中文本的 x 和 y 坐标。 PyMuPDF 或 pdfminer 将是我的建议。然后，您需要以编程方式确定您遇到的每个文本块所在的行和列。

【讨论】：

【解决方案2】：

我通过tabula-py解决了这个问题

conda install tabula-py

和

>>> import tabula
>>> area = [70, 30, 750, 570] # Seems to have to be done manually
>>> page2 = tabula.read_pdf("nar_2021_editorial-2.pdf", guess=False, lattice=False, 
                 stream=True, multiple_tables=False, area=area, pages="all",
                   ) # `tabula` doc explains params very well
>>> page2

我得到了这个结果

> 'pages' argument isn't specified.Will extract only from page 1 by default. [      
> ShortTitle                                              Text  \  0    
> Arena3Dweb         3D visualisation of multilayered networks     1    
> Aviator       Monitoring the availability of web services     2       
> b2bTools  Predictions for protein biophysical features and     3      
> NaN                                their conservation     4         
> BENZ WS          Four-level Enzyme Commission (EC) number     ..      
> ...                                               ...     68 
> miRTargetLink2              miRNA target gene and target pathway    
> 69             NaN                                          networks  
> 70       mmCSM-PPI            Effects of multiple point mutations on  
> 71             NaN                      protein-protein interactions  
> 72        ModFOLD8           Quality estimates for 3D protein models  
> 
>  
>                                                 URL    0                    http://bib.fleming.gr/Arena3D    1         
> https://www.ccb.uni-saarland.de/aviator    2                   
> https://bio2byte.be/b2btools/    3                                    
> NaN    4                 https://benzdb.biocomp.unibo.it/    ..       
> ...    68  https://www.ccb.uni-saarland.de/mirtargetlink2    69       
> NaN    70          http://biosig.unimelb.edu.au/mmcsm ppi    71       
> NaN    72       https://www.reading.ac.uk/bioinf/ModFOLD/      [73
> rows x 3 columns]]

这是一个可迭代的obj，所以你可以通过for row in page2:来操作它

希望对你有帮助

【讨论】：

这个回复对我帮助很大。我希望我能请你吃一顿丰盛的晚餐。
@DanceParty 很高兴听到这个消息。所以请投票给我，因为我是这个社区的新手，需要一些声誉。谢谢~

【解决方案3】：

尝试使用 Camelot 并指定您的表格没有这样的行：

tables = camelot.read_pdf('file.pdf', flavor = 'stream')

更多信息请参考文档https://camelot-py.readthedocs.io/en/master/

【讨论】：