本文就目前python图表识别的库进行测试
1、tabula
2、pdfplumber
3、camelot
准备数据
excel：names.xlsx，两个表格
表格1：所有字段都被线条包围
表格2：最外层没有线条包围
将excel另存为pdf：names.pdf
1、tabula
java项目：https://github.com/tabulapdf
自带可视化界面的pdf提取表格数据工具：
python接口：https://github.com/chezou/tabula-py
安装:
pip install tabula-py
依赖：
Java 7, 8
代码示例：
import tabula tabula.convert_into( input_path="source/names.pdf", output_path="source/names.csv", output_format='csv' )
转换出来的names.csv，发现只有表格1被提取出来了，而且不规范，中间多了逗号
"姓名",年龄,性别 "李雷",,20 男 "韩梅梅",,23 女 "赵小三",,25 女
2、pdfplumber
github: https://github.com/jsvine/pdfplumber
安装
pip install pdfplumber
代码示例：
import pdfplumber import pandas as pd with pdfplumber.open("source/names.pdf") as pdf: # 获取第一页 first_page = pdf.pages[0] # 解析文本 text = first_page.extract_text() print(text) # 解析表格 tables = first_page.extract_tables() for table in tables: print(table) # df = pd.DataFrame(table[1:], columns=table[0]) for row in table: for cell in row: print(cell, end="\t|") print() """ 表格1: 姓名 年龄 性别 李雷 20 男 韩梅梅 23 女 赵小三 25 女 Table2： Name Age Gender Tom 30 Male Jack 33 Male Jone 31 Female [['姓名', '年龄', '性别'], ['李雷', '20', '男'], ['韩梅梅', '23', '女'], ['赵小三', '25', '女']] 姓名 |年龄 |性别 | 李雷 |20 |男 | 韩梅梅 |23 |女 | 赵小三 |25 |女 | [['30'], ['33']] 30 | 33 | """
文本解析的很全，只有表格1解析完全了，表格2只是解析了有框的部分
3、camelot
github: https://github.com/socialcopsdev/camelot
安装：
pip install camelot-py[cv]
示例
import camelot tables = camelot.read_pdf("source/names.pdf") tables.export("source/names.csv")
生成2个文件：
source/names-page-1-table-1.csv
"姓名","年龄","性别" "李雷","20 男","" "韩梅梅","23 女","" "赵小三","25 女",""
source/names-page-1-table-2.csv
"Name","Age","Gender" "Tom","","30 Male" "Jack","","33 Male" "Jone","","31 Female"
发现表格2的内容被解析出来了，不过两个表格的内容都错位了
经过测试后，发现这3个库对表格识别都不是太好
总结
| 库名 | 说明 |
| tabula | 能提取完整表格，提取结果不规范 |
| pdfplumber | 能提取完整表格，提取结果较为规范 |
| camelot | 能提取完整表格和不完整表格，提取结果不规范 |
