印度小哥“神剑”：PDF提取表格so easy！
作者 | 若名
出品 | AI科技大本营
如果经常跟数据表格打交道，那你应该体验过那种令人烦躁到抓狂的心情。但现在，学会下面将要介绍的一款工具的使用方法，相信我，它会让你在工作中简直不能更舒爽。
Excalibur，从古希腊语翻译过来就是“神剑”，它现在也是一种用于从 PDF 中提取表格数据的 Web 界面，使用 Python 3 编写，由 Camelot（Python 库） 提供支持，可以让任何人轻松地从 PDF 文件中提取表格数据。需要注意的是，Excalibur 仅适用于基于文本的 PDF 文件，扫描文件不在此列。
Camelot 和 Excalibur 的作者和维护者是来自新德里 Bharati Vidyapeeth 工程学院的 Vinayak Mehta，目前他正全职做这些项目。
Excalibur 的四大特性
可移植文件格式
PDF 文件定义了将字符放置在相对于页面左下角的 x,y 坐标的指令。通过将某些字符放在比其他字符更近的地方来模拟单词。空格是通过将单词放在相对较远的地方来模拟的。最后，通过放置在电子表格中显示的字词来模拟表格，格式没有表格结构的内部表示。
自动检测 PDF 中的表格数据
可移植文件格式不是为表格数据设计的。可悲的是，许多开放数据共享时都是 PDF 文件，但对其中的表格进行分析却是一件非常痛苦的事。简单的复制粘贴行不通，Excalibur 通过自动检测 PDF 中的表格并让你通过 Web 界面将它们保存为 CSV 和 Excel 文件，这使 PDF 表格提取变得非常简单。
可动态调整表格提取规则
虽然有很多广泛用于 PDF 表格提取的开源和闭源工具，但他们输出的表格良莠不齐。Excalibur 由 Camelot 提供支持，为用户提供附加设置以调整表格提取并获得最佳效果。相较而言，它的性能要好于其他开源工具和库。
数据完全可控且安全
你可以完全控制数据，因为所有文件存储和处理都在你自己的本地或远程计算机上进行。Excalibur 还可以配置 MySQL 和 Celery 系统，以并行和分布式方式执行表格提取任务。默认情况下，任务按顺序执行。
快速上手指南
下载和安装
https://github.com/camelot-dev/excalibur/releases
https://excalibur-py.readthedocs.io/en/master/user/install.html#install
设置开发环境
你可以使用 pip 轻松安装开发依赖项：
$ pip install excalibur-py [dev]
测试（很快）
安装后，你可以使用以下命令运行测试：
$ python setup.py test
使用“神剑”
安装后，可以使用以下命令初始化元数据的数据库：
$ excalibur initdb
然后使用以下命令启动 Web 服务器：
$ excalibur webserver
现在，你可以转到 http:// localhost:5000 并开始从 PDF 文件中提取表格数据。
上传 PDF
你可以使用 Web 界面上传 PDF 文件，还可以与之前的上传进行整合。
自动检测表格
Excalibur 可以自动检测 PDF 中的表格。
绘制表格区域或者放置分隔符
如果表格深埋在文本内部并且自动检测失败，则可以通过绘制表格区域和列分隔符进行操作。
加载已保存的规则设置
你也可以保存 PDF 文件中表格提取的规则设置，并将其应用于新的 PDF 文件以提取具有类似结构的表格。
查看和下载数据
最后，你可以查看提取的表格并将其下载为 CSV 或 Excel 文件。Excalibur 还支持 JSON 和 HTML 格式。
最后给出源代码链接，你可以通过以下方式查看最新源代码：
$ git clone https://www.github.com/camelot-dev/excalibur
(*本文为AI科技大本营原创文章，转载请联系作者)
公开课预告
◆
推荐系统
◆
在当今人工智能浪潮之下，个性化推荐技术更是风靡业界，在金融、传媒、短视频、电商、教育等诸多领域大放异彩，影响人们生活的方方面面。不仅方便了人们获取各种各样的信息，还给企业带来了收益的大幅提升。本次分享带你揭开个性化推荐的神秘面纱，从推荐算法到大型系统架构进行全面剖析。
推荐阅读
相关内容
微信扫码咨询专知VIP会员