使用camelot提取表数据时出现的问题且没有错误消息

Question

我正在尝试使用camelot从此pdf链接中提取表格，但是，当尝试以下代码时：

import camelot

file = 'relacao_medicamentos_rename_2020.pdf'

tables = camelot.read_pdf(file)
tables.export('relacao_medicamentos_rename_2020.csv', f='csv', compress=False)

简单什么都不会发生。这很奇怪，因为当我尝试相同的代码但使用此 pdf链接时效果非常好。

Answer 1

正如Stefano建议的那样，您需要指定相关页面并设置选项flavor=\'stream\'。仅当单元格flavor=\'lattice\'之间有线条时，默认设置才有效。

\n

此外，增加row_tol有助于将行分组在一起。例如，第一个表的标题不会被读取为三个单独的行，而是作为一行。具体而言，“Concentra\xc3\xa7\xc3\xa3o/Composi\xc3\xa7\xc3\xa3o\”被识别为连贯文本。

\n

您也可能想使用strip_text=\'\\n\'删除换行符。

\n

结果是（以第 17 和 18 页为例）：

\n

import camelot\nfile = \'relacao_medicamentos_rename_2020.pdf\'\ntables = camelot.read_pdf(file, pages=\'17, 18\', flavor=\'stream\', row_tol=20, strip_text=\'\\n\') \ntables.export(\'foo.csv\', f=\'csv\', compress=False)\n

\n

尽管如此，这样您最终会得到每页一个表格和每个表格一个 csv 文件。即在上面的示例中，您将获得两个 .csv 文件。这需要在 Camelot 外部处理。\n要使用 pandas 合并跨多个页面的表：

\n

import pandas as pd\ndfs = []  # list to store dataframes\nfor table in tables:\n    df = table.df\n    df.columns = df.iloc[0]  # use first row as header\n    df = df[1:]  # remove the first row from the dataframe\n    dfs.append(df)\ndf = pd.concat(dfs, axis=0)  # concatenate all dataframes in list \ndf.to_csv(\'foo.csv\')  # export dataframe to csv\n

\n

此外，在包含文本和表格的页面（例如 pdf 第 16 页）上识别表格区域也很困难。\n在这些情况下，可以指定表格区域。对于第 16 页的表格，这将是：

\n

tables = camelot.read_pdf(in_dir + file, pages=\'16\', flavor=\'stream\', row_tol=20, strip_text=\'\\n\', table_areas=[\'35,420,380,65\'],)\n

\n

注意：在整篇文章中，我通过“计算”文件的页数来引用页面，而不是通过每页上打印的页码（后者从文档的第二页开始）。

\n