PDF提取表格的網頁工具——Excalibur

  在以前的文章另類爬蟲：從PDF文件中爬取表格數據中，咱們知道如何利用Python的camelot模塊，經過寫Python程序來提取PDF中的表格數據。本文咱們將學習如何用更便捷的工具從PDF中提取表格。
  Excalibur是一個用來從PDF中提取表格數據的網頁工具，而它正是以camelot爲基礎。該工具目前只支持文本類型的PDF，而不支持掃描後的PDF文檔，關於其說明和使用文檔能夠參考網址： https://github.com/camelot-dev/excalibur 。

安裝Excalibur

  在安裝Excalibur以前，須要事先安裝ghostscript，具體的安裝方式能夠參考：https://camelot-py.readthedocs.io/en/master/user/install-deps.html 。不一樣系統安裝ghostscript的方式不同，以筆者的mac電腦爲例，安裝命令以下：

$ brew install tcl-tk ghostscript

安裝ghostscript完畢後，再經過pip安裝Excalibur，命令以下：

$ pip3 install excalibur-py

以上就是所有的安裝準備工做了。

啓動與使用Excalibur

  運行下面的命令啓動Excalibur：

$ excalibur initdb
$ excalibur webserver

前一句命令是初始化數據庫，後一句命令是運行server服務。在瀏覽器中輸入: http://localhost:5050 ，便可使用該平臺。
  進入該PDF表格提取平臺，首頁以下：

筆者測試的PDF中含有如下表格：

咱們將該PDF文檔上傳至上述平臺，點擊「Upload PDF」按鈕，再選擇相應的PDF文檔以及該表格所在的頁碼便可。PDF上傳後，該表格所在的那一頁以下圖所示：

在右側的Anvanced中的Flavor中選擇「lattice」，並用鼠標框選出表格所在的區域，以下圖：

再點擊「View and Download Data」按鈕，就能獲得從PDF解析表格後獲得的數據了。截圖以下：

若是咱們還想將這個表格解析後的結果保存爲文件，則能夠在Download旁的下拉框中選擇一種保存的形式，並點擊Download按鈕。好比，筆者選擇保存爲csv文件，則下載後的文件以下：

"Method","Precision","Recall","F-measure"
"(S1) SP-CCG","67.5","37.2","48.0"
"(S1) SP-CFG","71.1","39.2","50.5"
"(S1) K4","70.3","26.3","38.0"
"(S2) SP-CCG","63.7","41.4","50.2"
"(S2) SP-CFG","65.5","43.8","52.5"
"(S2) K4","67.1","35.0","45.8"
"","Table 5: Extraction Performance on ACE.","",""

咱們能夠發現，該表格解析後的結果仍是至關漂亮的。

  本次分享到此結束，感謝你們的閱讀。

注意：本人現已開通微信公衆號： Python爬蟲與算法（微信號爲：easy_web_scrape）， 歡迎你們關注哦~~