我正在使用 pypdf 从 pdf 文件中提取文本。问题是未提取 pdf 文件中的表格。我也尝试过使用 pdfminer，但我遇到了同样的问题。
最佳答案
问题是 PDF 中的表格通常由绝对定位的行和字符组成，将其转换为合理的表格表示并非易事。
在 Python 中，PDFMiner 可能是您最好的选择。它为您提供布局对象的树结构，但您必须通过查看行 (LTLine) 和文本框 (LTTextBox) 的位置来自行解释表格。 There's a little bit of documentation here .
或者，PDFX尝试这个(并且经常成功)，但你必须将它用作网络服务(不理想，但适合偶尔的工作)。要从 Python 执行此操作，您可以执行如下操作:
import urllib2
import xml.etree.ElementTree as ET
# Make request to PDFX
pdfdata = open('example.pdf', 'rb').read()
request = urllib2.Request('http://pdfx.cs.man.ac.uk', pdfdata, headers={'Content-Type' : 'application/pdf'})
response = urllib2.urlopen(request).read()
# Parse the response
tree = ET.fromstring(response)
for tbox in tree.findall('.//region[@class="DoCO:TableBox"]'):
src = ET.tostring(tbox.find('content/table'))
info = ET.tostring(tbox.find('region[@class="TableInfo"]'))
caption = ET.tostring(tbox.find('caption'))
关于python - pypdf不从pdf中提取表格，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/17523193/