Tabula-py read_pdf_with_template() 方法

问题描述

我正在尝试将文档的特定部分作为表格阅读。它的结构为表格，但单元格、行或列之间没有分隔线。

我成功地将 read_pdf() 方法与 area 和 column 参数一起使用。我可以准确指定表格的开始和结束位置以及列的分隔位置。

但我的 pdf 在每一页上都有多个不同大小的表格，没有明确的标记来识别它们，我必须使用这些参数。

我在 Github 存储库问题 here 中发现了 read_pdf_with_template() 方法，并在 documentation、pull request 和 {{3} }.

但没有提到如何构造 teamplate.json 以及我可以使用哪些参数或它们的含义。

我尝试将 area 坐标插入 x1,y1,x2,y2，在方法参数和 height,width 参数中传递带有表大小的列列表。

但它拾取了 pdf 的顶部中心部分，该部分不等于我在反向计算所有内容时插入的任何坐标。

这是我正在尝试阅读的页面（我删除了一些敏感数据） example notebook

这里是代码片段

import tabula

tables = tabula.read_pdf_with_template(input_path = "test.pdf",template_path = "template.json",columns=[195,310,380])

print(tables[0])

[
    {
        "page": 1,"extraction_method": "stream","x1": 225,"x2": 35,"y1": 375,"y2": 565,"width": 525,"height": 400
    }
]

解决方法

我只是个笨蛋。

模板不是您手动生成的。它们应该由上面提到的 tabula 应用程序生成here。

只需从 official website 下载 tabula。启动应用程序后，它非常简单。手动单击并拖动每个页面上的每个表格，然后单击顶部的下载模板按钮。