本文將展示壹個稍微不壹樣點的爬蟲。
以往我們的爬蟲都是從網絡上爬取數據，因為網頁壹般用HTML,CSS,JavaScript代碼寫成，因此，有大量成熟的技術來爬取網頁中的各種數據。這次，我們需要爬取的文檔為PDF文件。本文將展示如何利用Python的camelot模塊從PDF文件中爬取表格數據。
在我們的日常生活和工作中，PDF文件無疑是最常用的文件格式之壹，小到教材、課件，大到合同、規劃書，我們都能見到這種文件格式。但如何從PDF文件中提取其中的表格，這卻是壹個大難題。因為PDF中沒有壹個內部的表示方式來表示壹個表格。這使得表格數據很難被抽取出來做分析。那麽，我們如何做到從PDF中爬取表格數據呢？
答案是Python的camelot模塊！
camelot是Python的壹個模塊，它能夠讓任何人輕松地從PDF文件中提取表格數據。可以使用以下命令安裝camelot模塊（安裝時間較長）：
pip install camelot-pycamelot模塊的官方文檔地址為：https://camelot-py.readthedoc...。
下面將展示如何利用camelot模塊從PDF文件中爬取表格數據。
例1首先，讓我們看壹個簡單的例子：eg.pdf，整個文件只有壹頁，這壹頁中只有壹個表格，如下：
使用以下Python代碼就可以提取該PDF文件中的表格：
import camelot
# 從PDF文件中提取表格
tables = camelot.read_pdf('E://eg.pdf', pages='1', flavor='stream')
# 表格信息
print(tables)
print(tables[0])
# 表格數據
print(tables[0].data)輸出結果為：
<TableList n=1>
<Table shape=(4, 4)>
[['ID', '姓名', '城市', '性別'], ['1', 'Alex', 'Shanghai', 'M'], ['2', 'Bob', 'Beijing', 'F'], ['3', 'Cook', 'New York', 'M']]分析代碼，camelot.read_pdf()為camelot的從表格中提取數據的函數，輸入的參數為PDF文件的路徑，頁碼（pages）和表格解析方法（有stream和lattice兩個方法）。對於表格解析方法，默認的方法為lattice，而stream方法默認會把整個PDF頁面當做壹個表格來解析，如果需要指定解析頁面中的區域，可以使用table_area這個參數。
camelot模塊的便捷之處還在於它提供了將提取後的表格數據直接轉化為pandas，csv，JSON，html的函數，如tables[0].df，tables[0].to_csv()函數等。我們以輸出csv文件為例：
import camelot
# 從PDF文件中提取表格
tables = camelot.read_pdf('E://eg.pdf', pages='1', flavor='stream')
# 將表格數據轉化為csv文件
tables[0].to_csv('E://eg.csv')得到的csv文件如下：
例2在例2中，我們將提取PDF頁面中的某壹區域的表格的數據。PDF文件的頁面（部分）如下：
為了提取整個頁面中唯壹的表格，我們需要定位表格所在的位置。PDF文件的坐標系統與圖片不壹樣，它以左下角的頂點為原點，向右為x軸，向上為y軸，可以通過以下Python代碼輸出整個頁面的文字的坐標情況：
import camelot
# 從PDF中提取表格
tables = camelot.read_pdf('G://Statistics-Fundamentals-Succinctly.pdf', pages='53',
flavor='stream')
# 繪制PDF文檔的坐標，定位表格所在的位置
tables[0].plot('text')輸出結果為：
UserWarning: No tables found on page-53 [stream.py:292]整個代碼沒有找到表格，這是因為stream方法默認將整個PDF頁面當作表格，因此就沒有找到表格。但是繪制的頁面坐標的圖像如下：
仔細對比之前的PDF頁面，我們不難發現，表格對應的區域的左上角坐標為（50,620），右下角的坐標為（500,540）。我們在read_pdf()函數中加入table_area參數，完整的Python代碼如下：
import camelot
# 識別指定區域中的表格數據
tables = camelot.read_pdf('G://Statistics-Fundamentals-Succinctly.pdf', pages='53',
flavor='stream', table_area=['50,620,500,540'])
# 繪制PDF文檔的坐標，定位表格所在的位置
table_df = tables[0].df
print(type(table_df))
print(table_df.head(n=6))輸出的結果為：
<class 'pandas.core.frame.DataFrame'>
0 1 2 3
0 Student Pre-test score Post-test score Difference
1 1 70 73 3
2 2 64 65 1
3 3 69 63 -6
4
5 34 82 88 6總結在具體識別PDF頁面中的表格時，除了指定區域這個參數，還有上下標、單元格合並等參數，詳細地使用方法可參考camelot官方文檔網址：https://camelot-py.readthedoc...。