操作实现

要使用camelot-py从PDF文件中提取表格，首先需要保证在你的项目中安装了camelot-py库。如果没有按照可以按照如下的命令进行安装。

pip install camelot-py[cv]

安装完成之后就可以使用camelot-py来进行表格的提取了。如下所示。

import camelot
import pandas as pd

# 提取PDF中的表格
tables = camelot.read_pdf('your_pdf_file.pdf')

# 将每个表格保存到Excel文件中
for idx, table in enumerate(tables):
    df = table.df
    # 指定保存的Excel文件名，可以根据需要更改
    excel_file = f'table_{idx + 1}.xlsx'
    df.to_excel(excel_file, index=False)

这段代码将提取的每个表格保存到以"table_1.xlsx"、"table_2.xlsx"等命名的Excel文件中。首先提取到PDF中的表格，然后通过Python的pandas库将表格数据转换为DataFrame对象，使用DataFrame的to_excel()方法将数据保存为Excel文件。

当然，你也可以根据需求来调整保存文件的路径以及名称，如下，如果你希望将所有表格保存到同一个Excel文件中的不同工作表中，可以通过如下的方式来实现。

import camelot
import pandas as pd

# 提取PDF中的表格
tables = camelot.read_pdf('your_pdf_file.pdf')

# 创建一个Excel写入对象
excel_writer = pd.ExcelWriter('output.xlsx')

# 将每个表格保存到Excel文件的不同工作表中
for idx, table in enumerate(tables):
    df = table.df
    # 指定工作表的名称，可以根据需要更改
    sheet_name = f'Table_{idx + 1}'
    df.to_excel(excel_writer, sheet_name=sheet_name, index=False)

# 保存Excel文件
excel_writer.save()

上面这段代码就实现了将所有提取到的表格都保存到一个Excel文件的不同Sheet页中，这样我们就可以在一个Excel文件中去浏览全部的数据了。

解决问题

运行代码之后会出现如下的报错信息

OSError: Ghostscript is not installed. You can install it using the instructions here: 
https://camelot-py.readthedocs.io/en/master/user/install-deps.html

这个错误表明你的系统缺少Ghostscript，而Camelot依赖于Ghostscript来处理PDF文件。所以需要在系统中安装Ghostscript来解决这个问题。

手动安装Ghostscript

访问Ghostscript的官方网站（https://www.ghostscript.com/download/gsdnld.html）下载适用于你操作系统的安装程序。

安装Ghostscript，并确保在安装过程中将其添加到系统的PATH环境变量中

使用包管理器安装Ghostscript

如果你使用的是Linux系统，可以使用包管理器安装Ghostscript。例如，在Ubuntu上，你可以运行以下命令安装Ghostscript。

sudo apt-get install ghostscript

如果你使用的是macOS，你可以使用Homebrew安装Ghostscript：

brew install ghostscript

如果你使用的是Windows系统，你可以使用Chocolatey来安装Ghostscript。首先确保已安装Chocolatey，然后运行以下命令：

choco install ghostscript

这里我们不具体介绍choco的安装，有兴趣的读者可以自己查找相关资料进行安装。

运行程序并调整

安装完成之后，我们继续运行上面的代码，会发现既没有输出也没有报错，这可能是因为我们的文件格式、提取参数、Camelot出现了问题，我们可以一一的进行排查。排查完成之后运行程序会会出现一个如下的报错信息。

  excel_writer.save()
AttributeError: 'XlsxWriter' object has no attribute 'save'

所以，这里我们需要将将 excel_writer.save() 替换为 excel_writer.close()，代码如下所示。

import camelot
import pandas as pd

# 提取PDF中的表格
tables = camelot.read_pdf('your_pdf_file.pdf')

# 创建一个Excel写入对象
excel_writer = pd.ExcelWriter('output.xlsx')

# 将每个表格保存到Excel文件的不同工作表中
for idx, table in enumerate(tables):
    df = table.df
    # 指定工作表的名称，可以根据需要更改
    sheet_name = f'Table_{idx + 1}'
    df.to_excel(excel_writer, sheet_name=sheet_name, index=False)

# 保存并关闭Excel文件
excel_writer.close()

会发现还是没有输出结果，这里我们就需要注意识别参数问题了。如下所示。

tables = camelot.read_pdf('your_pdf_file.pdf', flavor='stream', pages='1-end', split_text=False)

使用 lattice 模式：该模式适用于边界明确的表格，在提取过程中会使用 PDF 文件中的线条信息来识别表格，例如有线条或框框的表格。

使用 stream 模式：该模式适用于没有明显边界的表格，使用文本对齐和空白来识别表格，例如只有文本对齐的表格。

最终代码

import camelot
import pandas as pd

# 提取PDF中的表格
tables = camelot.read_pdf('2020.pdf', flavor='stream', pages='1-end', split_text=False)


# 输出提取的表格数量
print("Total tables extracted:", len(tables))

# 输出每个表格的内容
for idx, table in enumerate(tables):
    print("Table", idx + 1)
    print(table.df)


# 创建一个Excel写入对象
excel_writer = pd.ExcelWriter('2020.xlsx')

# 将每个表格保存到Excel文件的不同工作表中
for idx, table in enumerate(tables):
    df = table.df
    if df.shape[1]>1:
        # 指定工作表的名称，可以根据需要更改
        sheet_name = f'Table_{idx + 1}'
        df.to_excel(excel_writer, sheet_name=sheet_name, index=False)

# 保存并关闭Excel文件
excel_writer.close()

最终调整完成的代码结构就是上面这个了，上面这个代码就可以完成对于PDF中无边框的表格提取。但是由于是代码提取，所以在很多表格缩进不清楚的地方，可能会出现表格串行的问题。在使用的时候需要注意检查生成的表格是否存在问题。