Extraer tablas de un PDF en Python
Cómo extraer tablas de un PDF con Python
Cómo extraer tablas de un PDF con la herramienta Aspose.PDF for Python for .NET
¿Necesitas extraer tablas de un PDF? La modificación programática de los documentos PDF es una parte esencial de los flujos de trabajo digitales modernos. Con bibliotecas de Python como Aspose.PDF, los desarrolladores pueden extraer tablas de PDF. Estas bibliotecas son soluciones independientes que no dependen de otro software y están listas para su uso comercial. Cubren todas las necesidades posibles de los desarrolladores profesionales de Python.
- Extraer texto de PDF
- Extraer imágenes de PDF
- Extraer fuentes de PDF
- Extraer datos del formulario
- Extraer texto de sellos
- Extraer datos de la tabla
Para extraer tablas de un archivo PDF, utilizaremos la API Aspose.PDF for .NET, que es una API de manipulación de documentos rica en funciones, potente y fácil de usar para la plataforma python-net. Abra el administrador de paquetes NuGet, busque Aspose.PDF e instálelo. También puede usar el siguiente comando desde la consola del administrador de paquetes.
Console
pip install aspose-pdfExtraer tablas de un PDF en Python
Para probar el código en su entorno, necesita Aspose.PDF para Python.
- Abra el documento PDF.
- Recorra todas las páginas del documento.
- Cree un absorbente de tablas para la página.
- Ensamble la salida de texto de fila.
Extrae tablas de un PDF con Python
Este código de ejemplo muestra cómo extraer tablas de documentos PDF
Input file:
File not added
Output format:
Output file:
import aspose.pdf as ap
from os import path
from config import set_license, initialize_data_dir
def extract_tables_from_pdf(infile):
# Open PDF document
document = ap.Document(infile)
# Iterate through each page in the document
for page in document.pages:
absorber = ap.text.TableAbsorber()
absorber.visit(page)
for table in absorber.table_list:
print("Table")
for row in table.row_list:
row_text = []
for cell in row.cell_list:
cell_text = []
for fragment in cell.text_fragments:
cell_text.append("".join(seg.text for seg in fragment.segments))
row_text.append("|".join(cell_text))
print("|".join(row_text))