我如何以最有效的方式提取表格？

Question

从那时起我就一直在使用 pdfplumber。还有其他图书馆吗？除了camelot之外，它使用pypdf2，现在有一个错误：

File "C:\Users\USER\AppData\Local\Programs\Python\Python312\Lib\site-packages\PyPDF2\_utils.py", line 369, in deprecation_with_replacement
    deprecation(DEPR_MSG_HAPPENED.format(old_name, removed_in, new_name))
  File "C:\Users\USER\AppData\Local\Programs\Python\Python312\Lib\site-packages\PyPDF2\_utils.py", line 351, in deprecation
    raise DeprecationError(msg)

PyPDF2.errors.DeprecationError：PdfFileReader 已弃用并在 PyPDF2 3.0.0 中删除。请改用 PdfReader。

还有什么其他方法存在吗谢谢！

我尝试使用 pdfplumber，这是当前的工作解决方案，但它不能很好地读取一些 pdf 表。

Answer 1

我主要使用 tabula-py：https://pypi.org/project/tabula-py/

来自 https://github.com/tabulapdf/tabula 的封闭 java jar 文件的包装器

>>> import tabula
>>> f = "https://annex.exploratorium.edu/ronh/solar_system/scale.pdf"
>>> df = tabula.read_pdf(f, stream=True)
'pages' argument isn't specified.Will extract only from page 1 by default.
>>> df[0].head()
         Planet  Distance  Unnamed: 0   Distance to Scale distance        Actual
0           NaN  from Sun         NaN        planet       from Sun      diameter
1           NaN      (AU)         NaN  (kilometers)  (centimeters)  (kilometers)
2  Sun (a star)         0         NaN           NaN            NaN     1,391,980
3       Mercury      0.39         NaN    58,000,000            NaN         4,880
4         Venus      0.72         NaN   108,000,000            NaN        12,100

它创建一个数据帧列表，您也可以使用本地文件。