cas-bigdatalab pdf_table_extract 技能
功能说明
该技能从PDF文件中提取表格数据，输出为JSON格式，适用于需要从PDF报告中提取结构化表格数据的场景。
核心功能
- 自动检测并提取PDF中的表格
- 支持指定页码范围提取
- 输出结构化JSON格式（包含表头和数据行）
- 自动创建输出目录
使用方法
python scripts/run_pdf_table_extract.py --input_path <输入PDF> --output_path <输出JSON> [--pages <页码范围>]
参数说明
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入PDF文件路径 |
| output_path | string | 是 | - | 输出JSON文件路径 |
| pages | string | 否 | 全部 | 页码范围，如"1-3,5" |
示例
示例1：提取全部页面的表格
python scripts/run_pdf_table_extract.py --input_path report.pdf --output_path tables.json
示例2：提取指定页码的表格
python scripts/run_pdf_table_extract.py --input_path report.pdf --output_path tables.json --pages "3-5"
输出格式
[
{
"page": 3,
"headers": ["姓名", "部门", "职位"],
"rows": [
{"姓名": "张三", "部门": "技术部", "职位": "工程师"},
{"姓名": "李四", "部门": "市场部", "职位": "经理"}
]
}
]
注意事项
- 需要安装pdfplumber库
- 复杂表格可能提取不准确
- 输出目录不存在时会自动创建