pdf解析python

A. python解析PDF表格——PDFPlumber vs Camelot

題圖來自 Camelot: List o』 10 Intriguing Mythical Places

為獲取LEED認證項目的評分表明細，可念帶以從USGBC的項目頁面上爬取，或者從pdf格式的項目評分表中解析得到。以 重慶某LEED EM:OB v2009 Gold項目 為例，USGBC上公布的 LEED項目得分表 其格式並不統一，利用XPath爬取後需要進一步清洗處理。相對而言，LEED項目所對應的 項目評分表PDF文件 的數據更為規范完整。因此考慮嘗試解析出PDF文件中的表格，以便後續分析。
Python 處理PDF文件的程序包，pdfminer、tabula、型高缺pdfplumber、camelot……查詢資料表明，似乎普遍認為pdfminer的效果不怎麼好，而tabula需要java支卜辯持 ，想偷懶於是只試了pdfplumber和camelot。
安裝過程不贅述，直接來看運行結果。

pdfplumber無法直接解析出Scorecard.pdf文件中的表格，但實際上要解決此問題也並非難事。調整下思路，可先解析出pdf文件中的文本，讓後通過分列來得到表格。

利用pdfplumber的extract_text()命令可解析出pdf文件中的文本，但由於本次需要解析的得分表pdf文件的排版的原因，左右兩個表格的文本行並未完全對齊，因此如果直接解析完整頁面上的文本的話，文字會出錯。先用corp()命令指定識別范圍，然後再extract_text()，識別得到的文本列表如下所示。

對於類似本例中Scorecard.pdf表格排版有錯位的情況，也可以按照表格在頁面中所處的位置，指定表格識別的范圍。所用到的指令：camelot.plot()可以繪制出頁面的略圖，table_area參數可以指定表格識別的范圍。

又及，Camelot原來是亞瑟王和圓桌騎士們的宮殿所在地，和Asgard的Valhalla一樣，也是傳說中的聖域。搜索camelot程序安裝包時無意中學到的，漲知識了。

[1] Python：解析PDF文本及表格——pdfminer、tabula、pdfplumber 的用法及對比
[2] 用Python提取pdf文件中的表格數據
[3] python讀取pdf文件
[4] Github: pdfplumber
[5] Camelot: PDF Table Extraction for Humans
[6] ImageMagick Installation
[7] ImageMagick之PDF轉換成圖片（image）
[8] LEED 2009 for Existing Buildings: Operations & Maintenance
[9] Camelot - Wikipedia
[10] List o』 10 Intriguing Mythical Places
[11] Camelot識別pdf表格時的參數設置補充