如何用Python提取PDF单行表格数据？Camelot提取失败求方案

Camelot默认的lattice模式依赖完整表格边框识别，单行表格如果边框不完整或缺失，很容易被漏检。以下是几个实用解决办法：

1. 切换到Stream模式提取 #

Stream模式基于文本间距识别表格，适合无框或边框不全的单行表格，同时可调整行容差参数避免单行被忽略：

import camelot

file = 'IR-E-U-0306.pdf'
# 使用stream模式，row_tol控制行合并的容差（值越大，越容易将邻近文本识别为同一行）
tables = camelot.read_pdf(file, pages="all", flavor='stream', row_tol=10)

# 遍历所有表格，找到目标单行表格
for idx, table in enumerate(tables):
    print(f"表格 {idx} 内容：")
    print(table.df)
    print("---")

2. 指定表格区域精准提取 #

如果目标单行表格在页面中的位置固定，可以通过指定坐标区域强制提取：

• 用PDF阅读器查看目标表格的坐标（Camelot以页面左下角为原点，坐标格式为x1,y1,x2,y2）
• 在代码中添加table_regions参数定位：

# 示例：假设目标单行表格在第6页，坐标为(50, 100, 750, 150)，需根据实际调整
tables = camelot.read_pdf(file, pages="6", flavor='stream', table_regions=['50,100,750,150'])
print(tables[0].df)

3. 结合Tabula-Py补充提取 #

如果Camelot仍无法识别，可尝试用Tabula-Py作为补充，它对部分不规则单行表格的支持更友好：

import tabula

# 提取第6页的所有表格
dfs = tabula.read_pdf(file, pages="6", multiple_tables=True)

# 筛选出单行表格
for df in dfs:
    if len(df) == 1:
        print("找到单行表格：")
        print(df)

关键参数说明 #

• flavor='stream'：切换到文本间距识别模式，替代默认的边框识别
• row_tol：控制行的合并容差，值越大，越容易将垂直方向邻近的文本判定为同一行
• table_regions：限定提取的区域，减少页面其他元素的干扰

内容的提问来源于stack exchange，提问作者Anuva Goyal