如何阻止camelot-py 将单个单元格中的多行文本拆分为多个单元格？

Question

我正在尝试构建一个应用程序来读取任意 PDF 并从中提取表格，并且我正在使用 Camelot 来提取表格。这对于单元格具有单行值的表格来说效果很好。但是，对于具有多行值单元格的表，Camelot 会将单个单元格中的多行文本拆分为多个单元格。由于 Camelot 是建立在 pdfminer 之上的，因此我尝试调整布局分析参数（特别是 line_margin）以使 Camelot 不分割线。然而，问题仍然存在。

我还可以调整哪些其他参数来解决这个问题？以下是存在此问题的表的示例。

我不想使用“格子”风格，因为我希望看到的大多数表格都没有分界线。

Answer 1

如果您的 PDF 表格的线条比单元格更亮（如您的示例所示），那么您可以尝试使用 process_background=True 的网格风格。

tables = camelot.read_pdf('background_lines.pdf', process_background=True)

参见，https://camelot-py.readthedocs.io/en/master/user/advanced.html

Answer 2

您可以尝试使用以下参数：

• strip_text=' '（去除单元格内文本中的换行符）
• row_tol=10（在识别跨更多行作为同一单元格一部分的文本时使用更大的容差）

您可以使用 row_tol 值：我遇到了与您完全相同的问题，并且解决了 10 个问题。