Я получаю UserWarning: No tables found on page-1, когда пытаюсь извлечь таблицы из прикрепленного PDF-файла. Однако, когда я посмотрел на извлеченные данные, часть текста столбца была объединена в один столбец ».
Я использую Camelot для анализа этих PDF-файлов.
Шаги по воспроизведению: camelot --output m27.csv --format csv stream m27.pdf
Вот ссылка на PDF-файл, который я пытаюсь разобрать: https://github.com/tabulapdf/tabula-java/blob/master/src/test/resources/technology/tabula/m27.pdf
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)
UserWarning: No tables found on page-1 any ide, как ее решить? как вы думаете, это связано с этими размерами линий?
- person sygneto; 16.03.2020
