PDF ファイルは非常に一般的なファイル形式であり、通常は公式の電子版ファイルに使用されます。異なるレイアウト形式を固定して、明確で美しい表示効果を作成することができます。しかし、PDF から情報を抽出したい人々にとっては、特に表に関しては悪夢です。
多くの学術報告書、論文、分析記事では、表データが PDF で表示されますが、表からデータを直接コピーする場合は非常に面倒です。最近、開発者が PDF からテキストを抽出し、表の情報を抽出するためのツールである Camelot を提供しました。Camelot は、ほとんどの表を Pandas のデータフレームに変換することができます。
プロジェクトのリンク：https://github.com/camelot-dev/camelot
Camelot とは何ですか
プロジェクトの説明によると、Camelot は PDF ファイルから表データを抽出するための Python ツールです。
具体的には、ユーザーは Pandas を使用して PDF ファイルを開き、このツールを使用して表データを抽出し、最後に出力形式（例：csv ファイル）を指定することができます。
コードの例
プロジェクトで提供される PDF ファイルは次の図のようになっており、ユーザーは 2-1 の表の情報を抽出する必要があるとします。
Camelot を使用して表データを抽出するコードは次のようになります：
>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf') #PandasのCSVファイルを開くのと同じように
>>> tables[0].df # pandasのデータフレームを取得！
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite, 出力形式を指定できます
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite, データをファイルにエクスポート
>>> tables
<TableList n=1>
>>> tables[0]
<Table shape=(7, 7)> # 出力形式を取得
>>> tables[0].parsing_report
{
'accuracy': 99.02,
'whitespace': 12.24,
'order': 1,
'page': 1
}
以下は出力結果であり、結合されたセルに対して、Camelot は抽出後に空行処理を行っています。これは安全な方法です。
インストール方法
プロジェクトの作者は 3 つのインストール方法を提供しています。まず、最も簡単な方法である Conda を使用してインストールすることができます。
conda install -c conda-forge camelot-py
最も一般的なインストール方法は、pip を使用してインストールする方法です。
pip install camelot-py[cv]
また、プロジェクトをクローンしてソースコードを使用してインストールすることもできます。
git clone https://www.github.com/camelot-dev/camelot
cd camelot
pip install ".[cv]"