问题描述
我需要使用Python从多个PDF的表中提取数据。我已经测试了骆驼和表格,但是它们都不能够准确地获取数据。表格中包含一些合并的单元格,具有多行信息的单元格等,因此这两个库都变得混乱。有没有解决此问题的好方法?
解决方法
在这种情况下,PDF编码表的基础结构可能有问题。
您可以使用OCR,并进行一些字符串/正则表达式操作以从每一行提取列数据。 github.com/cseas/ocr-table似乎有效。请查看input.pdf和output.txt,以了解它是否适合您的情况。