我要投稿

从PDF文件中提取基于文本的表格

发布日期：2024-07-13 04:23:56 浏览次数： 3160

作者：bytechu

微信搜一搜，关注“bytechu”

上篇文章介绍了一种利用大模型从PDF中提取表格的方法

RAG系列第一篇文章，介绍一种利用大模型进行PDF提取表格文字信息和表格生成的方法，包括相关技术原理和代码。
并面向两个领域的常见PDF文件进行了尝试：金融领域-公司股权激励计划草案的表格提取生成，政务领域-项目招标文件中的表格提取，取得了良好的效果。
JunieChu，公众号：bytechu利用大模型从PDF中提取表格

实际效果也提到在面对复杂的表格，或者一个页面中存在多个表格的情况下，存在一定不准确性。

下面我们介绍另外一种从PDF文件中提取基于文本的表格的方法，解决以上问题。

1. 导入库

首先导入所需的库，我们利用 camelot 。

import camelotfrom typing import Listimport pandas as pd

2. 提取结构化表格

def fetch_tables(path: str, pages: List[int]):table_dfs = []for page in pages:        table_list = camelot.read_pdf(path, pages=str(page))for table in table_list:table_df = table.dftable_df = (table_df.rename(columns=table_df.iloc[0]).drop(table_df.index[0]).reset_index(drop=True))table_dfs.append(table_df)
return table_dfs

该函数将 path 位置的pdf文件中指定页码 pages 内的表格进行提取，以list形式返回，列表中每个元素就是一个表格的文本数据。

3. 效果展示

file_path = "files/2022.pdf"table_dfs = fetch_tables(file_path, pages=[8, 9])for table in table_dfs:df = pd.DataFrame(table)print(df)

上篇文章发出后，有位读者发来他当前待抽取表格数据的PDF文件，文件内容是金融领域公开的某上市公司2022年年报。

他表格抽取结果数据的顺序是乱的，因此无法做后一步的分析。我们先看下这两页的内容和样式：

利用新的方法我们看下表格抽取的效果。

可以看到准确识别出了每页的表格数量：<TableList n=2>，一共4个表格，每个表格抽取后的文本内容也进行的准确的还原输出。

4. 小结

新的方法能很好地适配复杂表格的文本内容抽取，并且能保留表格的结构化格式。

后续可接入大模型，单独对每个表格进行提问和查询分析。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-03-26

Anthropic官方复盘Claude Code：智能体系统设计的四个核心

2026-03-26

Claude Code auto mode 解析：如何用 AI 分类器替代人工审批

2026-03-26

Google 最新极限压缩算法，砸碎大模型本地部署的内存墙，8 倍提升！

2026-03-26

Google 发了个压缩算法，内存砍 6 倍，速度快 8 倍，精度零损失

2026-03-26

Claude团队深夜祭出“自动模式”！网友看呆了：CC里程碑式进化！无人值班确实上头，但一周的token很快燃尽

2026-03-25

如何设计 Harness 工程，实现长时间自动开发应用

2026-03-25

拒绝“感觉有效”：用数据证明 AI Coding 的真实团队价值【天猫AI Coding实践系列】

2026-03-25

Anthropic说：不要在等下一代模型了，立刻马上做Harness！

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

Pencil：设计和写代码，以后就全让AI干了

2026-01-24

独家实录｜唐杰、杨植麟、林俊旸、姚顺雨...All Star 对话上，大家聊了啥？

2026-01-10

2026 开年 AI 工具推荐，让你新的一年效率起飞！（建议收藏）

2026-01-01

从0到1玩转Clawdbot：我花了40小时，把这些坑都踩完了

2026-01-26

终于！Gemini CLI支持Agent Skills，一键搬运Claude Code的“绝招”

2026-01-09

Claude Code Skills 国内实践全指南：从安装部署到高阶开发

2026-01-09

深度解析——为什么Claude code CEO Dario 如此反中？

2026-01-23

谷歌没想到：Antigravity 竟成了 Claude Code 的“免费充电宝”？

2025-12-30

不会封号的Claude Code使用方法！已稳定测试一个月，还能共享给团队。

2026-01-14

我装了 9 个 Skill，终于看懂了 Google Antigravity 的野心

2026-01-21

大家都在问

OpenAI不会干黄了吧？

2026-03-22

专访OpenAI首席科学家：我们离“AI自己做研究”有多远？

2026-03-22

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

真实测评MiniMax M2.7，不吹不夸，它到底什么水平？

2026-03-20

深度分析：Agent Harness/框架到底有没有竞争壁垒？

2026-03-19

咨询 | OpenAI、Anthropic纷纷和咨询公司合作的背后，折射除了行业落地AI什么样的趋势？

2026-03-19

大伙都在养虾，MiniMax 带着新模型来偷偷上分了？

2026-03-19

Harness Engineering 为什么是 Agent 时代的“控制论”？

2026-03-18

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS Skill 提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean Openclaw