Camelot：从 PDF 提取表格的 Python 工具
文章目录
- Camelot：从 PDF 提取表格的 Python 工具
- 它能做什么
- 几个值得注意的功能
- 用法示例
- 安装方式
- 怎么选解析器
- 总结
Camelot：从 PDF 提取表格的 Python 工具
处理 PDF 文件里的表格，是数据工作中最烦的环节之一。复制粘贴格式全乱，手动重建又太费时间。Camelot 是一个专门解决这个问题的 Python 库，目前在 GitHub 上有 3,750 个 Star。它的目标很明确：把 PDF 中的表格准确提取出来，转成可以直接分析的数据。
它能做什么
Camelot 的核心能力是从 PDF 中提取表格结构，输出为 pandas DataFrame。这意味着提取结果可以直接进入数据分析流程，不用再做格式转换。
它内置了五种解析器，对应不同的表格类型：
lattice：处理有线表格，通过检测网格线定位单元格stream：处理无线表格，基于空白区域推断结构network/hybrid：通过文本对齐关系识别表格ml：基于 Table Transformer 的模型解析，适合复杂无线表格auto：自动选择解析器
这个设计挺实用。PDF 表格的呈现方式千差万别，单一策略很难覆盖所有场景。Camelot 把选择权交给用户，不确定时用auto即可。
几个值得注意的功能
扫描版 PDF 也能处理。安装camelot-py[ml,ocr]后，模型负责识别表格结构，OCR 负责提取文字。这对处理扫描文档的场景很有用。
质量评分。每张提取的表格会附带 accuracy、whitespace、confidence 等指标，可以用TableList.filter(...)过滤掉低质量结果。批量处理时，这个机制能省去大量人工检查的时间。
导出格式丰富。CSV、JSON、Excel、HTML、Markdown、SQLite 都支持。提取完直接导出，不用自己写转换代码。
多页表格合并。跨页表格可以用stack_contiguous()拼接，处理长表格时比较方便。
轻量安装。默认使用 pdfium 后端，作为 Python wheel 直接安装，不需要系统级依赖。只有用到神经网络和 OCR 功能时才需要额外安装 PyTorch 和 OCR 组件。
用法示例
代码层面的使用很简单：
importcamelot tables=camelot.read_pdf('foo.pdf')tables.export('foo.csv',f='csv')也提供了命令行工具：camelot lattice file.pdf这种形式，适合脚本化调用。
安装方式
支持 pip、uv、conda 三种安装渠道。核心包很轻量：
pipinstallcamelot-py需要模型解析和 OCR 功能时：
pipinstall"camelot-py[ml,ocr]"文档提到[ml]和[ocr]是懒加载的，普通导入不会引入 PyTorch 和 OCR 依赖，这个设计对保持启动速度有帮助。
怎么选解析器
官方给了一个对照表，可以根据 PDF 类型直接选择：
| PDF 类型 | 推荐解析器 |
|---|---|
| 有线表格 | lattice（默认） |
| 无线表格 | network或stream |
| 复杂无线表格 | ml |
| 扫描版 PDF | ml+ OCR |
| 不确定 | auto |
ml后端的一个特点是模型只负责表格结构识别，单元格文字仍然来自 PDF 本身的文本层（或 OCR 结果），不会凭空生成或修改数据。这个设计在数据准确性上比端到端生成更可靠。
总结
Camelot 是一个专注于单一功能的工具：把 PDF 里的表格干净地提取出来。它的优势在于解析策略丰富、输出格式灵活、安装门槛低。如果你的工作流中经常需要从 PDF 获取表格数据，值得了解一下。
工具：把 PDF 里的表格干净地提取出来。它的优势在于解析策略丰富、输出格式灵活、安装门槛低。如果你的工作流中经常需要从 PDF 获取表格数据，值得了解一下。