Datos. Python

Biblioteca Camelot (I)

Extracción de tablas en pdf

Cuando trabajamos con documentos pdf, uno de los contenidos de especial interés y que además resulta especialmente complicado de manejar son las tablas de datos (1). Para acceder a su contenido podemos emplear recursos como PyPDF2, pero el resultado no es muy satisfactorio como hemos tenido ocasión de comprobar, así que deberemos probar con otros medios.

Realmente es complicado automatizar la extracción de datos desde un documento pdf de forma realmente útil y son precisamente las tablas las que mayor dificultad presentan (2). Camelot es una librería pensada específicamente para esta tarea y funciona satisfactoriamente, al menos con tablas reales (no con imágenes incrustadas en el pdf) y de conformación sencilla.

Cierto es que trabajar con Camelot presenta cierta dificultad, incluyendo algunas complicaciones para su instalación, pero si empezamos por el principio se pueden superar. Por eso te recomiendo que conozcas esta biblioteca por sus fuentes [web del proyecto], incluyendo la lectura de su [manual on-line] (3).

También supone empezar por el principio planteándote metas sencillas y trabajando con pdf también sencillos. Podrás ir incrementando la complejidad conformes vayas dominando la herramienta. 

Yo te voy a mostrar ahora la que es posiblemente la forma más sencilla de abordar el problema también más simple: mostrar en pantalla el contenido de una tabla de un documento pdf simple (de una página) que contiene una tabla también simple. Inmediatamente podremos pasar a cuestiones de mayor complejidad.

Supongamos que ese documento pdf (tablaSimple.pdf) contiene esta tabla...

... a la que deseamos acceder desde un script de Python (4), concretamente desde este...

import camelot

# Especifica la ruta al archivo PDF

file_path = 'tablaSimple.pdf' 

# Lee las tablas del PDF

tables = camelot.read_pdf(file_path) 

# Imprime el número de tablas encontradas 

print ( f"Total de tablas encontradas: {tables.n} " ) 

# Imprime el contenido de la primera tabla 

print (tables[ 0 ].df)

... que nos devuelve esa misma tabla en el IDE Shell (en mi caso)

Vistas así las cosas, la verdad es que este logro parece bastante pobre, pero podemos hacer varias cosas a partir de aquí; entre otras pasar la tabla a un archivo Excel o de otra extensión (5) o trabajar directamente con el contenido de la tabla mediante librerías como Pandas (6).

En este caso vamos a importar la librería pandas (sin entrar ahora en más detalle)

import pandas as pd

... y añadir unas cuantas instrucciones más al script, por ejemplo acceder a la tabla capturada y pasar a una colección de datos...

tabla = tables[0].df

... como paso previo para manejarla mediante pandas, por ejemplo, accediendo las "celdas" [1-0] y [1-1]...

nombre = tabla.iloc[1,0]

dato = tabla.iloc[1,1]

... y mostrando su contenido

print(f'Nombre {nombre} -> Edad {dato}')

 

... para obtener por pantalla Nombre Juan -> Edad 23.

Esto que acabamos de hacer no parece gran cosa, pero detrás de ello tenemos toda la potencia del manejo de datos que permiten librerías como Pandas y todas aquellas que permiten el tratamiento de datos en Python. El que lo podamos conseguir partiendo de una tabla de datos de un documento pdf es gracias a Camelot. Conocer esta biblioteca es una buena forma de aprovechar el tiempo.

NOTAS

(1) Dado que el contenido de las tablas es frecuentemente numérico, he considerado preferible ubicar esta entrada (estas entradas, mejor) en la sección [Datos]. Aunque manejemos archivos de texto (pdf), si su contenido de interés son las tablas, éstas contienen datos, frecuentemente numéricos, además; así que Camelot  queda entendida aquí como una herramienta orientada a facilitar el acceso a datos. Creo que es un enfoque que se ajusta a la realidad.

(2) Podemos optar por hacerlo mediante ia, aunque tenemos algunas limitaciones que afectan a la confidencialidad (de trabajar con datos profesionales sensibles), de coste y/o de funcionalidad. Personalmente prefiero opciones que trabajen en local y que yo pueda llegar a entender; pero es una cuestión de preferencias.

(3) Al menos parcialmente, volviendo a él cuando necesites resolver algún problema. Otras web también ayudan a entender cómo crear script básicos pero de mucha utilidad [por ejemplo]. Te recomiendo especialmente [este vídeo], cuyo autor, además de conocimiento, muestra una gran capacidad didáctica.

(4) Por mantener la simplicidad del proyecto diremos que el pdf se encuentra en el mismo directorio que el script.

(5) Camelot permite guardar tablas en formato excel (to_excel()), csv (to_csv()), json (to_json()), html (to_html()), markdown (to_markdown()) y sqlite (to_sqlite())

(6) El uso más frecuente de Camelot es crear archivos (ver 5) con las tablas recuperadas, pero también es posible realizar diferentes manipulaciones con los datos mediante librerías como Pandas y todo lo que estas librerías permiten. De Pandas aun no hemos hablado en el blog, pero lo haremos en breve.