PDF 文件是一種非常常用的文件格式，通常用於正式的電子版文件。它能夠很好的將不同的排版格式固定下來，形成版面清晰且美觀的展示效果。然而，對於想要從 PDF 中提取信息的人們來說，PDF 是個噩夢，尤其是表格。
大量的學術報告、論文、分析文章都使用 PDF 展示其中的表格數據，但是對於如果想要直接從表格中複製數據則會非常麻煩。不久前，有一位開發者提供了一個可從文字 PDF 中提取表格信息的工具 ——Camelot，能夠直接將大部分表格轉換為 Pandas 的 Dataframe。
項目地址：https://github.com/camelot-dev/camelot
Camelot 是什麼
據項目介紹稱，Camelot 是一個 Python 工具，用於將 PDF 文件中的表格數據提取出來。
具體而言，用戶可以像使用 Pandas 那樣打開 PDF 文件，然後利用這個工具提取表格數據，最後再指定輸出的形式（如 csv 文件）。
代碼示例
項目提供的 PDF 文件如圖所示，假設用戶需要提取這些文字之間的表格 2-1 中的信息。
使用 Camelot 提取表格數據的代碼如下：
>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf') #類似於Pandas打開CSV文件的形式
>>> tables[0].df # get a pandas DataFrame!
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite，可指定輸出格式
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite，導出數據為文件
>>> tables
<TableList n=1>
>>> tables[0]
<Table shape=(7, 7)> # 獲得輸出的格式
>>> tables[0].parsing_report
{
'accuracy': 99.02,
'whitespace': 12.24,
'order': 1,
'page': 1
}
以下為輸出的結果，對於合併的單元格，Camelot 在抽取後做了空行處理，這是一個穩妥的方法。
安裝方法
項目作者提供了三種安裝方法。首先，你可以使用 Conda 進行安裝，這是最簡單的。
conda install -c conda-forge camelot-py
最流行的安裝方法是使用 pip 安裝。
pip install camelot-py[cv]
還可以從項目中克隆代碼，並使用源碼安裝。
git clone https://www.github.com/camelot-dev/camelot
cd camelot
pip install ".[cv]"