我一直在使用 tabula-py、PyPDF2 和 tika 模块，但它们似乎都没有检测到 table 单元格的背景颜色，该单元格位于 PDF 文件中。
这些彩色单元格在我的问题中表示重要信息。例如，我知道 tabula-py 是 tabula-java 的包装器，而这个包装器不提供彩色单元格信息。 Python 中有一些易于遵循的解决方案吗？
提前致谢。
回答1
免责声明：我是此答案中使用的库 borb 的作者
关于 PDF： PDF 与其说是“所见即所得”的格式，不如说它是一个渲染指令的容器。这意味着 table 实际上只是绘制指令的集合，它绘制了我们人类解释为 table 的东西。就像是：
- 前往位置 x, y
- 将当前笔触颜色设置为黑色
- 将当前填充颜色设置为蓝色
- 将字体设置为 Helvetica，大小 12
- 画一条线到 x, y
- 向上移动笔
- 去 x, y
- 渲染字符串“Hello World”
每当 PDF 库从 PDF 中提取 tables 时，请务必记住这是一种启发式方法。它基于一些假设。例如“tables 往往有大量以 90 度角相交的线”。
我建议你看看 borb 中的 TableDetectionByLines。它是一个收集上述渲染指令并在 PDF 文档中输出 tables 位置的类。
你会这样使用它：
from borb.pdf.canvas.layout.table.table import Table, TableCell
from borb.pdf.document.document import Document
from borb.pdf.page.page import Page
from borb.pdf.pdf import PDF
from borb.toolkit.table.table_detection_by_lines import TableDetectionByLines
doc: typing.Optional[Document] = None
with open(input_file, "rb") as input_pdf_handle:
l: TableDetectionByLines = TableDetectionByLines()
doc = PDF.loads(input_pdf_handle, [l])
assert doc is not None
tables: typing.List[Table] = l.get_tables_for_page(0)就目前而言，此类不跟踪笔触/填充颜色。但是您可以轻松地对其进行子类化，并对其进行修改。