如何讀取 PDF 檔中的文字資料？

[@peteralex6655]

不知道有没有强大的pdf包可以准确的识别pdf中的“表格”数据，并转成excel格式。之所以在表格上打引号。是因为pdf当中有些表格并非结构数据。用pdf编辑器打开这些文档。发现这些数据时一个个文本框数据手工对齐的。（并不确定制作pdf时是否是录入的表格结构数据，然后在转成pdf格式时丢失了表格结构。）

[@burgeoningcourse]

可以使用 tabula-py 讀取 pdf 檔中的表格數據成 DataFrame，就可以再從 DataFrame 輸出成 csv 或 excel，範例程式可參考：pypi.org/project/tabula-py/ 。另外，tabula-py 也可以直接從 pdf 輸出成 csv（但無 excel）。之後我們也會將此實作示範製作成一集，敬請期待！

[@peteralex6655]

@@burgeoningcourse 期待这一集。相信有很多可以识别输出pdf中的表格的包或库。但是核心是识别的准确率。pdf表格真的是一言难尽。很多表格仅仅是对齐，并没有表格线。

[@burgeoningcourse]

@@peteralex6655 對，如果是沒有框線的表格，tabula-py 的辨識結果會出現部分錯誤（如：無標題、欄位合併等），這時候可以試看看加入參數 guess=False（關閉猜測表格區域），如果還是有錯，就只能較麻煩地使用 columns 參數自行設定每一欄分割的 x 座標，或是事後再自行整理表格資料。

[@peteralex6655]

@@burgeoningcourse 谢谢指教。请问有什么中文的python论坛或数据科学论坛推荐么？
另，有什么英文的书评网站推荐么？（类似豆瓣那样）

[@burgeoningcourse]

@@peteralex6655 不好意思，目前沒有。

[@RJYL]

当文件是扫描形成的，不是Word中打印或导出形成的，无法识别，郁闷中

[@burgeoningcourse]

可以試看看OCR

[@kelvin_liu]

很謝謝你們的分享，讓我獲益良多。希望能再看到你們更多的知識分享。另外，如果有機會是否能介紹 python Tesseract 的使用方法呢？