PDF-файл просто содержит инструкции по размещению символа в координатах x, y на двумерной плоскости, не сохраняя при этом никаких сведений о словах, предложениях или таблицах.
Camelot использует PDFMiner под капотом для группировки символов в слова и слов в предложения. Иногда, когда символы расположены слишком близко, PDFMiner может сгруппировать символы, принадлежащие разным словам, в один.
Поскольку символы в вашей таблице PDF расположены очень близко, они объединяются в одно слово, и, следовательно, Camelot не может правильно определять столбцы. Вы можете указать разделители столбцов, чтобы получить таблицу в этом случае. Чтобы получить x-координаты разделителей столбцов, вы можете проверить руководство по визуальной отладке. Кроме того, вы можете указать split_text=True
, чтобы вырезать слово по указанным вами разделителям столбцов. Вот код (я получил координаты x, создав график matplotlib текста в PDF с помощью $ camelot stream -plot text m27.pdf
):
Используя CLI:
$ camelot --output m27.csv --format csv -split stream -C 72,95,209,327,442,529,566,606,683 m27.pdf
Используя API:
>>> import camelot
>>> tables = camelot.read_pdf('m27.pdf', flavor='stream', columns=['72,95,209,327,442,529,566,606,683'], split_text=True)
person
Vinayak Mehta
schedule
09.11.2018