如何用Python从大量pdf 中提取表格中的数据进行分析？

可以尝试使用一下 Camelot，是 Python 提取 PDF 表格的神器，github 地址为：

PDF 中的表格提取一般可以分为两种情形：

• 有线框表格 ：这种类型的表格必须有完整的线框，如下图所示：

• 无线框表格 ：可以有部分线框，或者没有线框，如下图所示：

有线框表格，解析时具有确定性，根据单元格之间的分割线即可完成表格的识别，使用 Camelot 提取时准确率非常高；无线框的表格，解析时具有不确定性，会根据文本左对齐、居中对齐、右对齐的方式以及文本坐标，猜测出 PDF 中可能是表格的区域，从而完成表格提取。

Camelot 使用起来非常简洁，只需简单的几行代码即可。

import camelot
tables = camelot.read_pdf("../data/basic_test.pdf ")    -- 读取 PDF 文件
print(tables[0].df)				        -- 以 dataframe 格式输出提取的表格
tables[0].to_csv("../data/basic_test.csv ")	        -- 表格数据保存到 csv 文件	   

下面通过视频对 Camelot 做一个简单的介绍：

https://www.zhihu.com/video/1420865745097637888

实际解析 PDF 中的表格时，会碰到各种各样的问题，这时就需要对 Camelot 中的各个参数都有深入的了解，结合 Camelot 提供的可视化表格轮廓函数，进行微调，就可以解决较为复杂的 PDF 表格识别问题。

如通过设置参数，成功识别如下的 PDF 表格：

解析后的 Excel 数据：

感兴趣的话，推荐学习以下课程：