Excalibur：从PDF中提取表格数据的Web界面

Excalibur是一个从PDF中提取表格数据的Web界面，用Python 3编写！它由Camelot提供支持。

注意： Excalibur只适用于基于文本的PDF，不适用于扫描文档。（正如Tabula 解释，“如果您可以在PDF查看器中单击并拖动以选择表格中的文本，则您的PDF是文本基础”。）

使用Excalibur

注意： 在继续之前，您需要安装ghostscript。

使用pip安装Excalibur后，您需要使用以下命令初始化元数据库：

$ excalibur initdb

然后使用以下命令启动web服务器：

$ excalibur webserver

这就完成了！现在您可以访问https://:5000并开始从您的PDF中提取表格数据。

1. 上传一个PDF并输入您想要提取表格的页码。

2. 转到每一页，通过画一个框来选择表格。（您可以选择跳过此步骤，因为Excalibur可以自动检测表格。点击“自动检测表格”查看Excalibur看到的。）

3. 从“高级”中选择一个口味（Lattice或Stream）。

   a. Lattice：用于由线条形成的表格。

   b. Stream：用于由空白形成的表格。

4. 点击“查看和下载数据”以查看提取的表格。

5. 选择您喜欢的格式（CSV/Excel/JSON/HTML）并点击“下载”!

注意：您还可以从发布页面下载Windows和Linux的可执行文件，并直接运行它们！

为什么选择Excalibur？

• 从PDF中提取表格很困难。将PDF中的内容简单地复制粘贴到Excel中不会保留表格结构。Excalibur通过自动检测PDF中的表格，并允许您将它们保存为CSV和Excel文件，使得PDF表格提取变得非常简单。
• Excalibur底层使用Camelot，这为您提供了额外的设置来调整表格提取以获得最佳结果。您可以在此比较中看到它如何比其他开源工具和库表现更好。
• 您可以为PDF一次性保存表格提取设置（如表格区域），并在具有相似结构的新的PDF上应用这些设置以提取表格。
• 您可以完全控制自己的数据。所有文件存储和处理都发生在您自己的本地或远程机器上。
• Excalibur可以配置MySQL和Celery以处理并行和分布式工作负载。默认情况下，对于顺序工作负载，使用sqlite和multiprocessing。

安装

使用pip

在安装ghostscript（Camelot的要求之一，请参阅安装说明）之后，您可以使用pip安装Excalibur

$ pip install excalibur-py

从源代码

在安装ghostscript之后，使用以下命令克隆仓库：

$ git clone https://www.github.com/camelot-dev/excalibur

并使用pip安装Excalibur

$ cd excalibur
$ pip install .

文档

优秀的文档可以在http://excalibur-py.readthedocs.io/找到。

开发

贡献指南提供了有关贡献代码、文档、测试等方面的详细信息。我们在本README中包含了一些基本信息。

源代码

您可以使用以下命令查看最新源代码：

$ git clone https://www.github.com/camelot-dev/excalibur

设置开发环境

您可以使用pip轻松安装开发依赖项

$ pip install excalibur-py[dev]

测试（即将推出）

安装后，您可以使用以下命令运行测试：

$ python setup.py test

版本控制

Excalibur使用语义版本控制。有关可用版本，请参阅此存储库上的标签。有关变更日志，请查看HISTORY.md。

许可协议

本项目采用MIT许可协议，有关详细信息，请参阅LICENSE文件。

支持开发

您可以通过OpenCollective上的一次性或月度捐赠来支持我们在Excalibur上的工作。使用Excalibur的组织也可以通过我们的官方网站和本README来赞助项目以获得认可。

特别感谢所有支持Excalibur的用户和组织！