Extrair Dados de Tabela em PDF com Python

Extrair Tabelas de PDF programaticamente

Usar TableAbsorber para detectar tabelas em cada página de um Document. Depois de visitar uma página, percorra table_list, então percorra cada linha e célula para reconstruir o conteúdo da tabela em um formato de texto legível.

1. Abra o PDF como um Document.
2. Iterar pelas páginas em document.pages.
3. Criar um TableAbsorber para cada página e chamar visit(page).
4. Percorra as tabelas, linhas e células detectadas.
5. Leia fragmentos de texto de cada célula e monte a saída da linha extraída.

import aspose.pdf as apdf
from os import path

path_infile = path.join(self.dataDir, infile)

# Open PDF document
document = apdf.Document(path_infile)

# Iterate through each page in the document
for page in document.pages:
    absorber = apdf.text.TableAbsorber()
    absorber.visit(page)

    for table in absorber.table_list:
        print("Table")
        for row in table.row_list:
            row_text = []
            for cell in row.cell_list:
                cell_text = []
                for fragment in cell.text_fragments:
                    cell_text.append("".join(seg.text for seg in fragment.segments))
                row_text.append("|".join(cell_text))
            print("|".join(row_text))

Extrair tabela em área específica da página PDF

Se precisar extrair apenas tabelas localizadas dentro de uma região marcada, combine TableAbsorber com um SquareAnnotation. Neste exemplo, o retângulo da anotação é usado como limite, e somente tabelas totalmente contidas dentro dessa região são processadas.

1. Abra o PDF como um Document.
2. Selecione a página de destino.
3. Encontre a anotação quadrada que marca a região de interesse.
4. Criar um TableAbsorber e visite a página.
5. Compare cada retângulo de tabela detectado com o retângulo da anotação.
6. Processar apenas as tabelas que se situam completamente dentro da área marcada.

import aspose.pdf as apdf
from os import path

# The path to the documents directory
path_infile = path.join(self.dataDir, infile)

# Open PDF document
document = apdf.Document(path_infile)

# Get the first page (index starts from 1 in Aspose.PDF)
page = document.pages[1]

# Find the first square annotation
square_annotation = next(
    (
        ann
        for ann in page.annotations
        if ann.annotation_type == apdf.annotations.AnnotationType.SQUARE
    ),
    None,
)

if square_annotation is None:
    print("No square annotation found.")
    return

# Initialize the TableAbsorber
absorber = apdf.text.TableAbsorber()
absorber.visit(page)

# Iterate through tables on the page
for table in absorber.table_list:
    table_rect = table.rectangle
    annotation_rect = square_annotation.rect

    # Check if the table is inside the annotation region
    is_in_region = (
        annotation_rect.llx < table_rect.llx
        and annotation_rect.lly < table_rect.lly
        and annotation_rect.urx > table_rect.urx
        and annotation_rect.ury > table_rect.ury
    )

    if is_in_region:
        for row in table.row_list:
            row_text = []
            for cell in row.cell_list:
                cell_text = []
                for fragment in cell.text_fragments:
                    cell_text.append("".join(seg.text for seg in fragment.segments))
                row_text.append("|".join(cell_text))
            print("|".join(row_text))

Exportar Dados da Tabela de PDF para CSV

Quando você precisar dos dados extraídos em um formato amigável a planilhas, salve o PDF usando ExcelSaveOptions e defina o formato de saída como CSV. O arquivo resultante pode ser aberto no Excel, Google Sheets, ou importado em fluxos de trabalho analíticos.

1. Abra o PDF de origem como um Document.
2. Criar um ExcelSaveOptions instância.
3. Conjunto excel_save.format para ExcelSaveOptions.ExcelFormat.CSV.
4. Salve o documento no caminho CSV de destino.

import aspose.pdf as apdf
from os import path

path_infile = path.join(self.dataDir, infile)
path_outfile = path.join(self.dataDir, outfile)

document = apdf.Document(path_infile)
excel_save = apdf.ExcelSaveOptions()
excel_save.format = apdf.ExcelSaveOptions.ExcelFormat.CSV
document.save(path_outfile, excel_save)