formExtract

这是一套用于从PDF文档中提取表格数据的Python工具集，支持多种提取方法和特殊表格类型处理，特别是针对跨页表格和三线表的智能识别。

主要功能

• 多种表格提取引擎：支持Camelot、PDFPlumber和Tabula三种表格提取引擎
• 智能跨页表格识别：自动检测并合并跨页的表格，保持数据完整性
• 特殊表格类型支持：优化处理三线表、无边框表格等特殊表格
• 表格后处理：自动合并相关单元格、清理数据、优化输出格式
• 灵活配置选项：支持自定义表格区域、页码范围等提取参数

工具说明

1. camalot.py（三线表等无边框表格）

Camelot引擎的表格提取工具，支持lattice和stream两种模式：

• extract_tables_with_camelot：使用lattice模式提取有边框表格
• extract_with_stream_mode：使用stream模式提取无边框（三线）表格

2. pdfplumber-py.py（跨页表格）

PDFPlumber引擎的表格提取工具，带有强大的跨页表格处理功能：

• extract_tables_with_pdfplumber：智能提取表格并处理跨页情况
• extract_with_custom_settings：使用自定义参数提取复杂表格
• is_similar_data：跨页表格智能匹配算法

3. tabula-py.py(效果最差)

基于Tabula-Java的表格提取工具，适用于简单结构的PDF表格：

• extract_tables_with_tabula：批量提取并保存表格数据

4. 合并.py

用于还原pdf中表格的合并单元格的工具：

• merge_empty_cells：智能合并空单元格，处理横向和纵向合并
• is_in_merged_range：辅助函数，检测单元格合并状态

使用方法

1. 安装依赖

pip install camelot-py tabula-py pdfplumber pandas openpyxl

2. 基本使用

# 使用Camelot提取非标准表格
python camalot.py

# 使用PDFPlumber提取跨页表格
python pdfplumber-py.py

# 对提取后的表格进行单元格合并处理
python 合并.py

此工具集适用于需要从复杂PDF文档中批量提取表格数据的场景，特别是对于包含跨页表格、三线表等特殊结构的文档处理效果显著。