使用 Camelot 进行 Python PDF 解析并提取表格标题

Question

Camelot 是一个很棒的 Python 库，用于从 pdf 文件中提取表格作为数据框。但是，我正在寻找一种解决方案，该解决方案还返回写在表格正上方的表格描述文本。

我用来从 pdf 中提取表格的代码是这样的：

import camelot
tables = camelot.read_pdf('test.pdf', pages='all',lattice=True, suppress_stdout = True)

我想提取表格上方写的文本，即THE PARTICULARS，如下图所示。

对我来说最好的方法应该是什么？感谢任何帮助。谢谢

Answer 1

您可以直接创建 Lattice 解析器

            parser = Lattice(**kwargs)
            for p in pages:
                t = parser.extract_tables(p, suppress_stdout=suppress_stdout,
                                          layout_kwargs=layout_kwargs)
                tables.extend(t)

然后您就可以访问其中parser.layout包含页面中的所有组件。这些组件都有bbox (x0, y0, x1, y1)，并且提取的表也有一个bbox对象。您可以在其顶部找到最接近表格的组件并提取文本。