本文就目前python圖表識別的庫進行測試
1、tabula
2、pdfplumber
3、camelot

準備資料

excel：names.xlsx，兩個表格
表格1：所有欄位都被線條包圍
表格2：最外層沒有線條包圍

將excel另存為pdf：names.pdf

1、tabula

github：https://github.com/chezou/tabula-py

安裝:

pip install tabula-py

依賴：
Java 7, 8

程式碼示例：

import tabula

tabula.convert_into(
    input_path=
 
"source/names.pdf",
    output_path="source/names.csv",
    output_format='csv'
)

轉換出來的names.csv，發現只有表格1被提取出來了，而且不規範，中間多了逗號

"姓名",年齡,性別
"李雷",,20 男
"韓梅梅",,23 女
"趙小三",,25 女

2、pdfplumber

github: https://github.com/jsvine/pdfplumber

安裝

pip install pdfplumber

程式碼示例：

import pdfplumber
import pandas as
 
 pd

with pdfplumber.open("source/names.pdf") as pdf:
    # 獲取第一頁
    first_page = pdf.pages[0]
	
	# 解析文字
    text = first_page.extract_text()
    print(text)
	
	# 解析表格
    tables = first_page.extract_tables()
    for table in tables:
        print(table)
        # df = pd.DataFrame(table[1:], columns=table[0])
 

        for row in table:
            for cell in row:
                print(cell, end="\t|")
            print()
""" 
表格1:
姓名 年齡 性別
李雷 20 男
韓梅梅 23 女
趙小三 25 女

Table2：
Name Age Gender
Tom 30 Male
Jack 33 Male
Jone 31 Female

[['姓名', '年齡', '性別'], ['李雷', '20', '男'], ['韓梅梅', '23', '女'], ['趙小三', '25', '女']]

姓名	|年齡	|性別	|
李雷	|20	|男	|
韓梅梅	|23	|女	|
趙小三	|25	|女	|

[['30'], ['33']]

30	|
33	|

"""

文字解析的很全，只有表格1解析完全了，表格2只是解析了有框的部分

3、camelot

github: https://github.com/socialcopsdev/camelot

安裝：

pip install camelot-py[cv]

示例

import camelot

tables = camelot.read_pdf("source/names.pdf")
tables.export("source/names.csv")

生成2個檔案：
source/names-page-1-table-1.csv

"姓名","年齡","性別"
"李雷","20 男",""
"韓梅梅","23 女",""
"趙小三","25 女",""

source/names-page-1-table-2.csv

"Name","Age","Gender"
"Tom","","30 Male"
"Jack","","33 Male"
"Jone","","31 Female"

發現表格2的內容被解析出來了，不過兩個表格的內容都錯位了

經過測試後，發現這3個庫對錶格識別都不是太好

總結