PDF提取表格的网页工具——Excalibur

  在之前的文章另类爬虫：从PDF文件中爬取表格数据中，我们知道如何利用Python的camelot模块，通过写Python程序来提取PDF中的表格数据。本文我们将学习如何用更便捷的工具从PDF中提取表格。

  Excalibur是一个用来从PDF中提取表格数据的网页工具，而它正是以camelot为基础。该工具目前只支持文本类型的PDF，而不支持扫描后的PDF文档，关于其说明和使用文档可以参考网址： https://github.com/camelot-dev/excalibur 。

安装Excalibur

  在安装Excalibur之前，需要事先安装ghostscript，具体的安装方式可以参考：https://camelot-py.readthedocs.io/en/master/user/install-deps.html 。不同系统安装ghostscript的方式不一样，以笔者的mac电脑为例，安装命令如下：

$ brew install tcl-tk ghostscript

安装ghostscript完毕后，再通过pip安装Excalibur，命令如下：

$ pip3 install excalibur-py

以上就是全部的安装准备工作了。

启动与使用Excalibur

  运行下面的命令启动Excalibur：

$ excalibur initdb
$ excalibur webserver

前一句命令是初始化数据库，后一句命令是运行server服务。在浏览器中输入: http://localhost:5050 ，即可使用该平台。

  进入该PDF表格提取平台，首页如下：

笔者测试的PDF中含有以下表格：

我们将该PDF文档上传至上述平台，点击“Upload PDF”按钮，再选择相应的PDF文档以及该表格所在的页码即可。PDF上传后，该表格所在的那一页如下图所示：

在右侧的Anvanced中的Flavor中选择“lattice”，并用鼠标框选出表格所在的区域，如下图：

再点击“View and Download Data”按钮，就能得到从PDF解析表格后得到的数据了。截图如下：

如果我们还想将这个表格解析后的结果保存为文件，则可以在Download旁的下拉框中选择一种保存的形式，并点击Download按钮。比如，笔者选择保存为csv文件，则下载后的文件如下：

"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.","",""

我们可以发现，该表格解析后的结果还是相当漂亮的。

  本次分享到此结束，感谢大家的阅读。

注意：本人现已开通微信公众号： Python爬虫与算法（微信号为：easy_web_scrape）， 欢迎大家关注哦~~