使用ubuntu22.04,anaconda
由于装环境装了一阵子,不确定装了哪些包了
可能的环境安装
conda install -c conda-forge pymupdf
conda install -c conda-forge camelot-py
conda install pandas
#或者
pip install PyMuPDF
pip install camelot-py[all]
pip install pandas
camelot-py 的安装可能需要其他依赖项,如 Tkinter 和 Ghostscript。在大多数情况下,它们应该在大多数 Linux 发行版和 macOS 中预安装。
# Tkinter
sudo apt-get install python3-tk # Debian/Ubuntu
sudo yum install python3-tkinter # CentOS/RHEL
# Ghostscript
sudo apt-get install ghostscript # Debian/Ubuntu
sudo yum install ghostscript # CentOS/RHEL
实现代码
import fitz # PyMuPDF
import camelot
import pandas as pd# 路径到您的 PDF 文件
file_path = 'path_to_file.pdf'# 打开 PDF 文件
doc = fitz.open(file_path)# 存储包含表格的页面编号
table_pages = []# 检查每个页面以确定是否包含表格
for page_num in range(len(doc)):print(f"Page {page_num} is finding.\n")page = doc.load_page(page_num)text = page.get_text("text")if "表格中关键文本" in text and "表格中关键文本" in text and "表格中关键文本" in text: # 替换为检测表格的逻辑table_pages.append(page_num + 1) # 页面编号是从 1 开始的doc.close()# 提取表格数据
all_tables = []
first_table = True # 用于跟踪是否是第一个表格for page_num in table_pages:print(f"Table {page_num} is getting.\nTotal table number is {len(table_pages)}.\n")# 提取指定页面的表格tables = camelot.read_pdf(file_path, pages=str(page_num), flavor='lattice') # flavour='stream'为空白划分表格方式,flavor='lattice'为线条划分表格方式。for table in tables: # 这里是针对重复的表格头设计的,舍弃了重复的表格头# 如果是第一个表格,保留标题if first_table:all_tables.append(table.df)first_table = Falseelse:# 如果不是第一个表格,跳过标题行all_tables.append(table.df[1:])# 是否提取到表格
if all_tables: # 提取到表格# 合并所有提取的表格final_table = pd.concat(all_tables, ignore_index=True)# 导出到 CSVfinal_table.to_csv('path_to_file.csv', index=False)print("表格数据已提取并保存到 'path_to_file.csv'")else: # 未提取到表格print("没有提取到任何表格数据")