在python中读取类似结构不是精确表的pdf表并将其提取为任何文件格式

问题描述

我有一个pdf文件，其中中间的页面充满了测量值。我看起来像一张桌子，但没有完全用线条装饰。我想以与查看csv或Excel文件相同的方式提取数据。

pdf文件数据示例：

column1 column2 column3 column4
1       0.05    2.01    3.09   
2       5.05    4.01    6.03
3       7.01    8.02    1.00

pdf数据中没有对齐。就像表中的分隔符一样，它不是分开的。那么哪个模块适合将其导出为Excel或csv？

解决方法

您可以使用textract实现此目的，但这还取决于文件。

1. http://textract.readthedocs.io/en/latest/
2. https://github.com/deanmalmgren/textract

它支持多种类型的文件，包括PDF

import textract
text = textract.process("path/to/file.pdf")