Camelot PDF 无法去除文本

问题描述

我有 this pdf，我正在努力处理它的第一个表。

当雇主名称 (EMPREGADOR) 达到两行时，就会出现问题。

我正在使用以下命令尝试正确剥离数据：

tables = camelot.read_pdf('tipo1/t1_3.pdf',pages='1',flavor='stream',edge_tol=500,strip_text='\n')
df = tables[0].df
print(df)

但结果如下：

                      0                             1                           2
0            EMPREGADOR              DATA DE ADMISSÃO                   PIS/PASEP
1           ABC ABC ABC                                                          
2                                          07/01/2008                   123123123
3                  LTDA                                                          
4  CARTEIRA DE TRABALHO       INSCRIÇÃO DO EMPREGADOR             NÚMERO DA CONTA
5                123123                        123123                  1231231231
6         DATA DE OPÇÃO  DATA E CÓDIGO DE AFASTAMENTO                   CATEGORIA
7            07/01/2008               30/09/2011 - N2                           1
8         TIPO DE CONTA                 TAXA DE JUROS  VALOR Para FINS RECISÓRIOS
9               OPTANTE                      3.0% a.a                     R$ 0,00

尝试阅读文档，但没有找到任何可以帮助我正确获取雇主 (EMPREGADOR) 数据的信息（在本例中为 ABC ABC ABC LTDA）。

这是一个问题，因为雇主名称的长度可能会变化为 1、2、3 甚至更多行，从而在 DF 中造成混乱，因此难以编码。

有什么建议吗？

解决方法

正如 Stefano Fiorucci 在评论中提到的，Camelot 目前不支持所需的功能。解决方案是手动操作数据。