使用camelot从pdf提取文本时如何剥离CID :)

问题描述

我正在使用Camelot从pdf中提取文本。 pdf文件还包含汉字，Camelot为此打印了 Cid 。例如（cid：3634）

我想删除那些CID，因为汉字对我没有影响。

我尝试过：

>>> tables = camelot.read_pdf('D:/iolo/1.  Hangcha/1.  FORKLIFTS ELECTRIC/2.  NK15E - 3 WHEEL - NEW-(2014)/copy.pdf',pages='12',strip_text='(cid:[0-9])')

但是仅删除CID框架，而不删除其中的数字。

See example Output Image Here 请帮忙。

解决方法

目前，Camelot参数strip_text不支持正则表达式（请参见official repository）。

相反，您可以使用Pandas replace方法：

for table in tables:
    table.df.replace(to_replace='\(cid\:[0-9]+\)',value='',inplace=True,regex=True)