introduzione
Il formato PDF o file di documento portatile è uno dei formati di file più comuni oggi. È ampiamente utilizzato in tutti i settori, come negli uffici governativi, cure mediche e anche lavoro personale. Dovuto, Esiste una grande quantità di dati non strutturati in formato PDF e l'estrazione di questi dati per generare informazioni significative è un lavoro comune tra gli scienziati dei dati.
Esistono diverse librerie Python dedicate a lavorare con documenti PDF come PYPDF2, eccetera. In questo tutorial, indosserà Camelot.
Perché Camelot??
- Hai il controllo: a differenza di altre librerie e strumenti che danno buoni risultati o falliscono miseramente (senza intermediari), Camelot ti dà il potere di modificare l'estrazione della tabella. (Questo è essenziale poiché tutto nel mondo reale, inclusa l'estrazione di tabelle PDF, è confusionario).
- Un po le tabelle possono essere eliminate in base a metriche come precisione e spazi bianchi, senza dover guardare manualmente ogni tabella.
- Ogni tabella è un DataFrame panda, che si integra perfettamente in Analisi dei dati e flussi di lavoro ETL.
- Esporta in più formati, incluso JSON, Eccellere, HTML e Sqlite.
Iniziamo
Prima di installare le librerie Camelot dobbiamo installare sceneggiatura fantasma , una volta installato lo script fantasma, installiamo camelot-py.
Esegui sotto i comandi :
pip install "camelot-py[CV]"
Una volta installata la libreria camelot-py, saremo pronti per iniziare. Stiamo cercando di estrarre da questo una tabella del reddito GST a livello statale documento pdf.
Tabella pdf
importare camelot
Se hai camelot, Python non stamperà un messaggio di errore, altrimenti, vedrai un ImportError.
# Sintassi della funzione camelot.read_pdf
camelot.read_pdf(
percorso del file,
pagine='1',
parola d'ordine=Nessuno,
gusto='reticolo',
sopprimere_stdout= Falso,
layout_kwargs={},
**kwargs,
)
Se devi estrarre una tabella da pagine diverse, devi dare il numero di pagina.
table2=camelot.read_pdf('gst-revenue-raccolta-marzo2020.pdf', sapore="flusso", pagine="0-3")
tabelle2
Questo ti darà un elenco totale della Tabella che è lì in un documento pdf. possiamo scegliere una tabella che passa l'indice.
tabelle2[2] # 2 è l'indice
tabelle2[2].parsing_report
Il codice sopra ti fornirà dettagli come precisione e numero di pagina. Si prega di notare che ci sono 2 pagine.
Il seguente codice estrarrà la tabella dal documento pdf.
df2=tabelle2[2].df
df2
In questa circostanza, perché la tabella è divisa in due pagine diverse. Allora possiamo trovare una soluzione.
tabelle2[3]
tabelle2[3].parsing_report
Qui puoi notare, estraiamo la tabella dalla pagina no 3.
df3=tabelle2[3].df
df3
Quello che segue è il codice per aggiungere df2 e df3.
df4=df2.append(df3)
df4
df5 = df4[1:] df5.testa() new_header = df5.iloc[0]df5 = df5[1:]df5.columns = new_header
qui hai, abbiamo estratto una tabella da pdf, ora possiamo esportare questi dati in qualsiasi formato nel sistema locale.
conclusione
Estrarre dati tabulari da pdf con l'aiuto della libreria camelot è davvero facile. Allo stesso tempo, sappiamo che ci sono molti dati non strutturati in formato pdf e, dopo aver estratto le tabelle, possiamo fare molte analisi e visualizzazioni in base alle tue esigenze aziendali.
Spero che questo post ti aiuti e ti faccia risparmiare una buona quantità di tempo. Fatemi sapere se avete suggerimenti.
FELICE CODIFICA.
Circa l'autore
Prabhat Kumar – Analista associato
Sono un ingegnere che oggi lavora nelle principali multinazionali come analista associato e appassionato di innovazione, Mi piace imparare cose nuove, Credo che ogni informazione abbia una storia e adoro leggere le storie.
Prabhat Pathak (Profilo LinkedIn) è Associate Analyst.
