<div class="rich_media_content" id="js_content">
<figure style="font-size:inherit;color:inherit;line-height:inherit;">
<img alt="640?wx_fmt=png" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-781f2ce185172d9bf040e40453a93e8c" style="font-size:inherit;color:inherit;line-height:inherit;margin-left:auto;" title="">
</figure>
<p style="font-size:inherit;color:inherit;line-height:inherit;">所见即所获，提升你的数据采集效率。</p>
<h1 style="color:inherit;line-height:inherit;font-weight:bold;font-size:1.6em;"><span style="font-size:inherit;color:inherit;line-height:inherit;">需求</span></h1>
<p style="font-size:inherit;color:inherit;line-height:inherit;">写了那篇《<a href="https://mp.weixin.qq.com/s?__biz=MzIyODI1MzYyNA==&mid=2653540360&idx=1&sn=efe357c982f934f9c29e03ec660f2d45&scene=21#wechat_redirect" style="font-size:inherit;line-height:inherit;color:rgb(30,107,184);">如何用Python批量提取PDF文本内容？</a>》后，我在后台收到了许多留言。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">不少读者询问，如果是 PDF 文件中的表格呢？能否正确转换？</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">我当时没有理解这种需求。因为那篇文章谈的主要是把文本抽取出来，目的主要是进行下一步的自然语言处理。这种 PDF 文件中大量的内容，都是文字。表格在其中，只占非常小的比例。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">《<a href="https://mp.weixin.qq.com/s?__biz=MzIyODI1MzYyNA==&mid=2653540360&idx=1&sn=efe357c982f934f9c29e03ec660f2d45&scene=21#wechat_redirect" style="font-size:inherit;line-height:inherit;color:rgb(30,107,184);">如何用Python批量提取PDF文本内容？</a>》一文提供的工具<code style="font-size:inherit;line-height:inherit;margin-left:2px;color:rgb(233,105,0);background:rgb(248,248,248);">pdf_extractor</code> 会保留表格里面的数据，但是结构信息基本就被丢弃掉了。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">表格转换，属于结构化数据提取。这和我当时文章所谈的主旨不同。所以我没有一一回复。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">然而，最近我自己也遇到了这种需求。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">我需要从一些论文的表格中，抽取一些数据。尤其是一些对比结果的列表。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">在机器学习的论文中，总会有这种对比表格。主要是把目前模型的结果，与基准线或者当前最好的结果进行比对，从而说明论文的价值和意义。我在《<a href="http://mp.weixin.qq.com/s?__biz=MzIyODI1MzYyNA==&mid=2653540483&idx=1&sn=8d876a47e22146057702ab7f28ff33d1&chksm=f389ba54c4fe3342b1bf342ffbb6f8bcad89315093336e16f7bbdd9204a8627a6880d575cd0a&scene=21#wechat_redirect" style="font-size:inherit;line-height:inherit;color:rgb(30,107,184);">文科生用机器学习做论文，该写些什么？</a>》一文里，专门给你谈过这种对比的选择。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">例如这样的：</p>
<figure style="font-size:inherit;color:inherit;line-height:inherit;">
<img alt="640?wx_fmt=jpeg" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-9a0febb49bd24017a8ddde3ee6855809" style="font-size:inherit;color:inherit;line-height:inherit;margin-left:auto;" title="">
</figure>
<p style="font-size:inherit;color:inherit;line-height:inherit;">如果在跟踪自然语言处理进展的话，你一眼就能认出，这个表格来自于哪篇论文，对吧？</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">对，就是大名鼎鼎 <strong style="font-size:inherit;color:inherit;line-height:inherit;">BERT</strong> 语言模型。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">一方面，我们可能需要对论文表格中出现的一些数据进行统计计算。另一方面，我们也需要把部分结果，放在自己的论文里作为<strong style="font-size:inherit;color:inherit;line-height:inherit;">对比</strong>。而这些，如果都需要我们手动提取数据，然后再输入到程序中或者 Excel 里，会很<strong style="font-size:inherit;color:inherit;line-height:inherit;">低效</strong>。</p>
<p style="font-size:inherit;color:inherit;line-height:inherit;">我们需要一种简便的方法，帮助自己把 PDF 表格里面的信息，在尽可能保持格式的情况下，正确提取出来。</p>
<h1 style="color:inherit;line-height:inherit;font-weight:bold;font-size:1.6em;"><span style="font-size:inherit;color:inherit;line-height:inherit;">搜寻</span></h1>
<p style="font-size:inherit;color:inherit;line-height:inherit;">既然有了需求，我就开始搜集信息。我发现，目前支持从 PDF 中抽取表格的应用，其实还真不少。</p>
<figure style="font-size:inherit;color:inherit;line-height:in |
|
转播
