如何解决使用camelot从pdf提取文本时如何剥离CID :)
我正在使用Camelot从pdf中提取文本。 pdf文件还包含汉字,Camelot为此打印了 Cid 。例如(cid:3634)
我想删除那些CID,因为汉字对我没有影响。
我尝试过:
>>> tables = camelot.read_pdf('D:/iolo/1. Hangcha/1. FORKLIFTS ELECTRIC/2. NK15E - 3 WHEEL - NEW-(2014)/copy.pdf',pages='12',strip_text='(cid:[0-9])')
See example Output Image Here 请帮忙。
解决方法
目前,Camelot参数strip_text
不支持正则表达式(请参见official repository)。
相反,您可以使用Pandas replace
方法:
for table in tables:
table.df.replace(to_replace='\(cid\:[0-9]+\)',value='',inplace=True,regex=True)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。