本文就目前 python
圖表識别的庫進行測試
1、tabula
2、pdfplumber
3、camelot
準備資料
excel：names.xlsx，兩個表格
表格1：所有字段都被線條包圍
表格2：最外層沒有線條包圍
将excel另存為pdf：names.pdf
java項目：
https://github.com/tabulapdf自帶可視化界面的pdf提取表格資料工具：
https://tabula.technology/python接口：
https://github.com/chezou/tabula-py安裝:
pip install tabula-py 依賴：
Java 7, 8
代碼示例：
import tabula
tabula.convert_into(
input_path="source/names.pdf",
output_path="source/names.csv",
output_format='csv'
) 轉換出來的names.csv，發現隻有表格1被提取出來了，而且不規範，中間多了逗号
"姓名",年齡,性别
"李雷",,20 男
"韓梅梅",,23 女
"趙小三",,25 女
github:
https://github.com/jsvine/pdfplumber安裝
pip install pdfplumber import pdfplumber
import pandas as pd
with pdfplumber.open("source/names.pdf") as pdf:
# 擷取第一頁
first_page = pdf.pages[0]
# 解析文本
text = first_page.extract_text()
print(text)
# 解析表格
tables = first_page.extract_tables()
for table in tables:
print(table)
# df = pd.DataFrame(table[1:], columns=table[0])
for row in table:
for cell in row:
print(cell, end="\t|")
print()
"""
表格1:
姓名 年齡 性别
李雷 20 男
韓梅梅 23 女
趙小三 25 女
Table2：
Name Age Gender
Tom 30 Male
Jack 33 Male
Jone 31 Female
[['姓名', '年齡', '性别'], ['李雷', '20', '男'], ['韓梅梅', '23', '女'], ['趙小三', '25', '女']]
姓名 |年齡 |性别 |
李雷 |20 |男 |
韓梅梅 |23 |女 |
趙小三 |25 |女 |
[['30'], ['33']]
30 |
33 |
""" 文本解析的很全，隻有表格1解析完全了，表格2隻是解析了有框的部分
https://github.com/socialcopsdev/camelot
安裝：
pip install camelot-py[cv] 示例
import camelot
tables = camelot.read_pdf("source/names.pdf")
tables.export("source/names.csv") 生成2個檔案：
source/names-page-1-table-1.csv
"姓名","年齡","性别"
"李雷","20 男",""
"韓梅梅","23 女",""
"趙小三","25 女",""
source/names-page-1-table-2.csv
"Name","Age","Gender"
"Tom","","30 Male"
"Jack","","33 Male"
"Jone","","31 Female"
發現表格2的内容被解析出來了，不過兩個表格的内容都錯位了
經過測試後，發現這3個庫對表格識别都不是太好
總結
| 庫名 | 說明 |
| tabula | 能提取完整表格，提取結果不規範 |
| pdfplumber | 能提取完整表格，提取結果較為規範 |
| camelot | 能提取完整表格和不完整表格，提取結果不規範 |