器之心報道

項目作者：vinayak mehta參與：一鳴

從 PDF 表格中獲取數據是一項痛苦的工作。不久前，一位開發者提供了一個名為 Camelot 的工具，使用三行代碼就能從 PDF 文件中提取表格數據。

PDF 文件是一種非常常用的文件格式，通常用于正式的電子版文件。它能夠很好的將不同的排版格式固定下來，形成版面清晰且美觀的展示效果。然而，對于想要從 PDF 中提取信息的人們來說，PDF 是個噩夢，尤其是表格。

大量的學術報告、論文、分析文章都使用 PDF 展示其中的表格數據，但是對于如果想要直接從表格中復制數據則會非常麻煩。不久前，有一位開發者提供了一個可從文字 PDF 中提取表格信息的工具——Camelot，能夠直接將大部分表格轉換為 Pandas 的 Dataframe。

• 項目地址：https://github.com/camelot-dev/camelot

Camelot 是什么

據項目介紹稱，Camelot 是一個 Python 工具，用于將 PDF 文件中的表格數據提取出來。

具體而言，用戶可以像使用 Pandas 那樣打開 PDF 文件，然后利用這個工具提取表格數據，最后再指定輸出的形式（如 csv 文件）。

代碼示例

項目提供的 PDF 文件如圖所示，假設用戶需要提取這些文字之間的表格 2-1 中的信息。

PDF 文件。我們需要提取表格 2-1。

使用 Camelot 提取表格數據的代碼如下：

>>> import camelot
>>> tables = camelot.read_pdf('foo.pdf') #類似于Pandas打開CSV文件的形式
>>> tables[0].df # get a pandas DataFrame!
>>> tables.export('foo.csv', f='csv', compress=True) # json, excel, html, sqlite，可指定輸出格式
>>> tables[0].to_csv('foo.csv') # to_json, to_excel, to_html, to_sqlite， 導出數據為文件
>>> tables
<TableList n=1>
>>> tables[0]
<Table shape=(7, 7)> # 獲得輸出的格式
>>> tables[0].parsing_report
{
 'accuracy': 99.02,
 'whitespace': 12.24,
 'order': 1,
 'page': 1
}

以下為輸出的結果，對于合并的單元格，Camelot 在抽取后做了空行處理，這是一個穩妥的方法。

安裝方法

項目作者提供了三種安裝方法。首先，你可以使用 Conda 進行安裝，這是最簡單的。

conda install -c conda-forge camelot-py

最流行的安裝方法是使用 pip 安裝。

pip install camelot-py[cv]

還可以從項目中克隆代碼，并使用源碼安裝。

言 | 問題背景

SpreadJS表格控件有著很強大的純前端的導入導出功能，可以直接在純前端導入導出Excel，通過擴展還可以實現服務器端導入導出。是用戶最常使用的功能之一。

使用規范

JS文件的引入

導入導出功能需要在引入SpreadJS基本JS文件的基礎上額外引入兩個文件：

• gc.spread.excelio.xx.x.x.min.js(必選)
• FileSaver.js（可選）

1、 gc.spread.excelio.xx.x.x.min.js是導入導出的核心文件，里面包含了導出導出的邏輯，將用戶提供的表格序列化ssjson文件轉換成Excel類型（前端對應為application/zip）的一個blob二進制對象。這里注意因為Excel本身是一個壓縮格式，所以轉換的對象類型對應為application/zip，如果需要轉換為其他形式，請自行處理，例如將該對象base64編碼后轉換為字符串或者流等。

2、 FileSaver.js是第三方開源的一個js組件，用戶做前端文件下載保存的功能。故而不是必須的，也可以自己處理相關操作或者用其他的類型功能組件進行替換。這里注意的是如果需要導出至服務器端，那么不需要引入此js文件。可以直接將blob對象通過請求發至服務器端并在服務器端保存成Excel格式的文件即可。

瀏覽器支持

SpreadJS本身使用了html5的canvas技術，所以瀏覽器支持必須是支持html5的瀏覽器，例如：chrome，firefox，IE9以上等。

而導入導出功能按照上面所說如果要使用filesaver來做前端下載，那么IE瀏覽器需要10以上的版本才能支持FileSaver.js，這里跟SpreadJS本身的瀏覽器支持有些出入。

授權方式

如果是一般的html+js+css這樣的web應用開發，導入導出組件不需要授權。只需要對SpreadJS進行授權即可。

如果是typescript開發常見于:angular,react,vue等框架使用，需要對導入導出組件（ExcelIO）進行單獨授權，像這樣：

GC.Spread.Sheets.LicenseKey = Excel.LicenseKey = "yourkey";

常見問題解決辦法

由于我們示例代碼中導入導出部分加入了try catch的異常捕獲，這樣會導致異常很難定位，這里列出常見可能會出問題的情況：

1. 導入時Excel文件是否為xlsx格式，SpreadJS支持的導入格式必須為xlsx格式
2. FileSaver.js文件是否引用（這里有個前提，需要做純前端導出，并且使用的是我們官網例子中的方式）
3. 如果使用了FileSaver請注意瀏覽器的支持范圍（參考上面第二點瀏覽器支持）
4. 如果是框架開發，是否對ExcelIO組件進行授權（參考上面第三點授權方式中的描述）

如果上述仍然沒有排查出問題，可以將try catch的異常捕獲去掉來定位原因。

點擊“了解更多”下載產品最新試用版

↓↓↓