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： 3236

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

2026-05-16

AI Native 创业手册 | 蚂上WEEKLY VOL.172

2026-05-16

腾讯造了个“贾维斯”：替我签到改配置，还会打盹上厕所，一手实测来了

2026-05-16

从零构建AI Agent：没有魔法，只有循环

2026-05-15

成为ClaudeCode顶尖1%用户的完整指南

2026-05-15

在手机上用Codex写一下午代码，说实话，有点上头。

2026-05-15

腾讯混元推出轻量翻译大模型，无需联网，手机直接运行！

2026-05-15

谷歌Android重大更新！底层植入Gemini，苹果已掉队

2026-05-15

Codex更新远程控制，你也终于可以在手机上随时随地Vibe Coding了。

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

Claude Opus 4.7刚刚曝光！Claude Code一夜重构，7x24小时替你打工

2026-04-15

刚刚Qwen 3.6 Plus上线预览：1M上下文，阿里Coding/Agent翻身战打响

2026-03-31

2026年国内如何注册 Claude 账号教程

2026-03-13

OpenAI Codex CLI 完整使用指南

2026-04-07

独家| DeepSeek-V4终于要来了：梁文锋憋半年大招，多模态+长期记忆全面破局

2026-03-17

香港终于能直接用 Gemini 了，内地用户能用上吗？

2026-03-17

Claude Code 和 Codex 接入 Figma MCP 保姆级教程

2026-04-07

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

全球首个 AI 进化网络 EvoMap，给 Agent 装上 DNA

2026-02-20

GPT5.5来了，最大特点解析

2026-04-24

大家都在问

谁来给企业端即将大规模入职的Agent盖办公室？

2026-05-09

鹅厂员工觉得好的code模型应该具备什么能力？

2026-05-09

Markdown要被抛弃了？Claude Code工程师自曝：我已彻底放弃使用Markdown！团队倾向使用HTML！网友：其他编辑工具会被淘汰吗？

2026-05-09

AI吞噬软件的叙事要分化了？

2026-05-08

为什么同一个模型，在 Claude Code/Codex CLI 里感觉像换了个脑子？

2026-05-07

「双线实测」Qwen 3.6-Plus，Agentic Coding 已经这么能「扛活儿」了？

2026-04-26

本体化语义层，会是 AI 数据平台的新地基吗？

2026-04-22

设计行业的“棺材板”，要被Claude Design盖上了？

2026-04-18

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