极客笔记Python Tabula
简介
通常，我们使用的数据不一定以CSV或JSON格式提供。数据可以以表格形式存储在PDF文件中。最简单的情况是，我们可以将表格复制粘贴到电子表格或文本编辑器中。但也可能出现在同一PDF中存在多个具有相似结构的表格。对于这种情况，我们必须分别复制和粘贴每个表格，这会使工作变得繁琐。
然而，为了简化这项乏味的工作，Python提供了一个名为 tabula-py 的开源库，允许用户单独提取多个表格。在接下来的教程中，我们将了解关于tabula及其功能。
什么是Tabula
Tabula是tabula-java的基本包装器，允许用户提取表格并直接将PDF文件转换为数据帧或JSON使用Python编程语言。用户还可以从PDF中提取表格并将其转换为TSV、CSV或JSON格式文件。
Tabula是一个基于图形用户界面(GUI)应用程序的工具；而 tabula-java 是一个基于命令行用户界面(CUI)的工具。tabula-java提供了Ruby、R和NodeJS的绑定，但没有为Python提供。因此，开发人员引入了 tabula-py 的概念，提供了Python绑定。
现在，让我们了解谁在使用Tabula以及如何安装它。
谁使用Tabula
Tabula是一个强大的工具，被各种规模的新闻机构用于支持调查报告。这些新闻机构包括泰晤士报、ProPublica、外交政策、纽约时报、La Nacion（阿根廷）和圣保罗（明尼苏达州）先驱报。
还有一些基层组织，如SchoolCuts.org，也依赖Tabula将笨拙的文件转换为易于理解的公共资源。
除此之外，还有其他领域的研究人员利用Tabula将他们的PDF报告转换为Excel电子表格、CSV和JSON格式文件，并将其用于分析和数据库应用。
在Python中实现Tabula
在我们稍微讨论一下Tabula之后，让我们了解它在Python中的实现。
库的安装
由于 tabula-py 是一个Python的开源库，我们将使用 pip 安装程序来安装该库。
$ pip install tabula-py
导入库文件
一旦安装完成，我们可以通过以下方式来验证导入库文件的操作：
import tabula
如果程序返回一个 导入错误 ，建议重新安装该包。
tabula-py 库提供了各种函数，例如读取PDF文件、读取PDF文件的特定页面上的表格、读取同一页PDF文件上的多个表格，或直接将PDF文件转换为CSV文件。
让我们从读取一个PDF文件开始。
读取PDF文件
tabula-py库允许用户使用称为 read_pdf() 函数的函数来读取PDF文件。
语法：
obj = tabula.read_pdf(filename, args[])
参数：
文件名： 文件名参数是要从中读取数据的pdf文件的名称。
让我们将以下pdf数据表格转换为pandas Data Frame。
文件名：marksheet_table.py
页码：1
| Name | English | Physics | Chemistry | Biology | Total |
|---|---|---|---|---|---|
| A | 86 | 54 | 65 | 83 | 288 |
| B | 56 | 45 | 80 | 55 | 236 |
| C | 34 | 66 | 73 | 90 | 263 |
| D | 77 | 75 | 46 | 34 | 232 |
| E | 74 | 82 | 55 | 77 | 288 |
| F | 69 | 76 | 82 | 46 | 273 |
| G | 53 | 33 | 29 | 45 | 160 |
| H | 70 | 41 | 67 | 23 | 201 |
| I | 80 | 43 | 88 | 28 | 239 |
| J | 90 | 37 | 45 | 71 | 243 |
| K | 98 | 55 | 88 | 81 | 322 |
| L | 90 | 54 | 67 | 37 | 248 |
| M | 87 | 76 | 88 | 54 | 305 |
| N | 86 | 69 | 82 | 66 | 303 |
| O | 67 | 74 | 54 | 65 | 260 |
| P | 75 | 96 | 53 | 67 | 291 |
| Q | 45 | 87 | 80 | 45 | 257 |
| R | 44 | 66 | 49 | 78 | 237 |
| S | 78 | 39 | 78 | 80 | 275 |
| T | 56 | 54 | 76 | 86 | 273 |
| U | 43 | 90 | 64 | 77 | 274 |
| V | 95 | 88 | 66 | 55 | 304 |
| W | 64 | 67 | 86 | 80 | 297 |
| X | 82 | 56 | 45 | 65 | 248 |
| Y | 79 | 65 | 70 | 54 | 268 |
| Z | 83 | 54 | 40 | 75 | 252 |
以下是一个示例，演示如何从pdf中提取数据。
示例：
# importing the library
import tabula
# address of the file
myfile = 'marksheet_table.pdf'
# using the read_pdf() function
mytable = tabula.read_pdf(myfile, pages = 1)
# printing the table
print(mytable[0])
输出：
Name English Physics Chemistry Biology Total
0 A 86 54 65 83 288
1 B 56 45 80 55 236
2 C 34 66 73 90 263
3 D 77 75 46 34 232
4 E 74 82 55 77 288
5 F 69 76 82 46 273
6 G 53 33 29 45 160
7 H 70 41 67 23 201
8 I 80 43 88 28 239
9 J 90 37 45 71 243
10 K 98 55 88 81 322
11 L 90 54 67 37 248
12 M 87 76 88 54 305
13 N 86 69 82 66 303
14 O 67 74 54 65 260
15 P 75 96 53 67 291
16 Q 45 87 80 45 257
17 R 44 66 49 78 237
18 S 78 39 78 80 275
19 T 56 54 77 86 273
20 U 43 90 64 77 274
21 V 95 88 66 55 304
22 W 64 67 86 80 297
23 X 82 56 45 65 248
24 Y 79 65 70 54 268
25 Z 83 54 40 75 252
解释（说明）:
在上面的示例中，我们导入了所需的库并定义了一个变量，用于存储pdf数据文件的地址。然后，我们使用 read_pdf() 函数从pdf中读取数据并将其打印给用户。因此，数据表已成功读取。
注意：我们在read_pdf()函数中使用了 pages 参数来从指定的页面读取数据。
让我们考虑另一个示例，以打印特定页面（例如第2页）上的表格。
示例（示例）:
# importing the library
import tabula
# address of the file
myfile = 'marksheet_table.pdf'
# using the read_pdf() function
mytable = tabula.read_pdf(myfile, pages = 2)
# printing the table
print(mytable[0])
输出：
Name Final Scores
0 A 288
1 B 236
2 C 263
3 D 232
4 E 288
5 F 273
6 G 160
7 H 201
8 I 239
9 J 243
3 D 232
4 E 288
5 F 273
6 G 160
7 H 201
8 I 239
9 J 243
10 K 322
11 L 248
12 M 305
13 N 303
14 O 260
15 P 291
16 Q 257
17 R 237
18 S 275
19 T 273
20 U 274
21 V 304
22 W 297
23 X 248
24 Y 268
25 Z 252
解释：
在上面的示例中，我们按照之前的步骤进行操作。然而，我们将 pages 参数设为2，并打印指定页的第一个表格。结果成功打印了第2页上索引为零的表格。
现在，让我们来了解一下当一个PDF数据文件的同一页上有多个表格时会发生什么。
处理PDF文件同一页上的多个表格
我们可以使用一个名为 multiple_tables 的附加参数来处理同一页上的多个表格。 multiple_tables 参数接受一个布尔值，如果为真，则 read_pdf() 函数将多个表格作为独立的表格读取，如果为假，则将多个表格作为一个表格读取。
让我们来看一个示例，演示如何将多个表格作为独立的表格读取。
示例：
# importing the library
import tabula
# address of the file
myfile = 'marksheet_table.pdf'
# using the read_pdf() function
mytable = tabula.read_pdf(myfile, pages = 2, multiple_tables = True)
# printing the table
print(mytable[0])
print(mytable[1])
输出：
Name Final Scores
0 A 288
1 B 236
2 C 263
3 D 232
4 E 288
5 F 273
6 G 160
7 H 201
8 I 239
9 J 243
10 K 322
11 L 248
12 M 305
13 N 303
14 O 260
15 P 291
16 Q 257
17 R 237
18 S 275
19 T 273
20 U 274
21 V 304
22 W 297
23 X 248
24 Y 268
25 Z 252
Name Position
0 K I
1 M II
2 V III
3 N IV
4 W V
解释：
在下面的示例中，我们再次导入所需的库并定义一个变量来存储PDF文件的地址。接下来，我们使用了 read_pdf() 函数，并设置 multiple_tables 参数为 True 。然后，我们分别打印了PDF文件第二页上的多个表。
现在，让我们看一个示例来理解如何将多个表格读取为一个表格。
示例：
# importing the library
import tabula
# address of the file
myfile = 'marksheet_table.pdf'
# using the read_pdf() function
mytable = tabula.read_pdf(myfile, pages = 2, multiple_tables = False)
# printing the table
print(mytable[0])
输出：
Name Final Scores
0 A 288
1 B 236
2 C 263
3 D 232
4 E 288
5 F 273
6 G 160
7 H 201
8 I 239
9 J 243
10 K 322
11 L 248
12 M 305
13 N 303
14 O 260
15 P 291
9 J 243
10 K 322
11 L 248
12 M 305
13 N 303
14 O 260
15 P 291
16 Q 257
17 R 237
18 S 275
19 T 273
20 U 274
21 V 304
22 W 297
23 X 248
24 Y 268
25 Z 252
26 Name Position
27 K I
28 M II
29 V III
30 N IV
31 W V
解释：
在下面的示例中，我们现在将 multiple_tables 参数设置为 False 。因此，第2页上的表格被视为一个单独的表格。
直接将PDF文件转换为CSV文件
我们可以使用 tabula 库中的 convert_into() 方法将包含表格数据的PDF文件直接转换为CSV文件。
语法：
tabula.convert_into("filename.pdf", "newfilename.csv", args[])
让我们考虑以下示例，说明将PDF文件转换为CSV文件。
示例：
# importing the library
import tabula
# address of the file
myfile = 'marksheettable.pdf'
# using the read_pdf() function
tabula.convert_into(myfile, "marksheet.csv")
print("The PDF file has been converted successfully.")
\n \n 输出： \n
'pages' argument isn't specified.Will extract only from page 1 by default.
The PDF file has been converted successfully.
解释：
在上面的示例中，我们再次导入了所需的库并定义了包含PDF文件地址的变量。然后，我们使用 convert_into() 方法将PDF文件转换为CSV文件，并打印了成功消息。
此外，我们还可以观察到程序返回了一个没有指定 ‘pages’ 参数的语句。因此，默认情况下将提取第1页上的表格。