背景介绍
最近在做一个表格信息抽取的项目，该项目需要从pdf文件中找到的目标表格，并把目标表格中需要的行和列给抽取出来。由于项目中pdf扫描件占比相对较少（不太到10%吧），所以目前主要把精力花在可编辑pdf文件的表格抽取上。更多的背景介绍这里就不展开了，感兴趣的朋友可以到冰焰虫子-github pages或探索发现频道-知乎专栏找《pdfplumber是怎么做表格抽取的》系列看一下。
camelot是作者调研的众多开源框架中效果相对比较好的之一，接下来，本文将对camelot框架进行简单的梳理，主要包括与camelot相关的一些资源以及camelot的各项功能。有关camelot具体功能的梳理与剖析会在后续的文章中陆续给出，欢迎各位看官阅读、点赞、收藏 ^_^。
camelot相关资源
- camelot项目页
- camelot代码仓库，有两个，其中一个可以直接通过上面的项目页跳转，可以把两个仓库看作是项目的不同分支。
- camelot-dev: 这个可以直接从项目跳转，但是只有400多星，why？
- atlanhq：这个2600星
- Excalibur:基于camelot的前端可视化pdf抽取工具，可以通过Excalibur体验、测试camelot的效果。
- camelot实现了Anssi Nurminen硕士论文中用于抽取非线框类表格的算法
camelot功能
功能完备性
camelot是一个可以从可编辑的pdf文档中抽取表格的开源框架，与pdfplumber相比，其功能的完备性要差不少，因为除了表格抽取之外，并不能用它从pdf文档中解析出字符、单词、文本、线等较为低层次的对象。在表格抽取的过程中，camelot使用pdfminer实现底层对象的解析，但是这些底层对象的抽取逻辑并没有封装成通用的函数或方法，所以用camelot获取底层对象还是不太方便的。
两种表格抽取模式
camelot的主要功能是表格抽取，支持lattice和stream两种不同的模式，其中lattice用来抽取线框类的表格，stream用来抽取非线框类的表格。
在抽取线框类表格的时候，lattice包含以下几步：
- 把pdf页面转换成图像
- 通过图像处理的方式，从页面中检测出水平方向和竖直方向可能用于构成表格的直线。
- 根据检测出的直线，生成可能表格的bounding box
- 确定表格各行、列的区域
- 根据各行、列的区域，水平、竖直方向的表格线以及页面文本内容，解析出表格结构，填充单元格内容，最终形成表格对象。
在抽取线框类表格的时候，stream包含以下几步：
- 通过pdfminer获取连续字符串
- 通过文本对齐的方式确定可能表格的bounding box
- 确定表格各行、列的区域
- 根据各行、列的区域以及页面上的文本字符串，解析表格结构，填充单元格内容，最终形成表格对象。