Tabulex

English | Espanol

English

Tabulex is a Python library for detecting tables in digital PDFs, reconstructing their structure, and exporting them to pandas, polars, and JSON.

Features

• Process one-page or multi-page PDF files.
• Detect tables with PyMuPDF plus a text-geometry fallback heuristic.
• Preserve multiline cells by joining lines with \n.
• Represent merged cells with rowspan and colspan in an intermediate model.
• Store cell images as base64.
• Export tables as Pandas, Polars, or JSON.

Installation

pip install tabulex

Quick Start

from tabulex import extract_tables

result = extract_tables("sample-tables.pdf", return_type="all")

print(result.pandas_tables[0])
print(result.polars_tables[0])
print(result.json_tables[0])

JSON Output

from tabulex import extract_tables

result = extract_tables("sample-tables.pdf", return_type="json")
print(result.json_tables[0])

Main API

extract_tables(
    pdf_path: str,
    pages: list[int] | None = None,
    return_type: str = "both",
    preserve_spans: bool = True,
    preserve_images: bool = True,
    image_encoding: str = "base64",
    engine: str = "pymupdf",
)

extract_tables(...) returns an ExtractionResult with:

• tables
• pandas_tables
• polars_tables
• json_tables
• metadata

Limitations

• V1 targets digital PDFs.
• Scanned PDFs and OCR-heavy workflows are not part of the default path.
• Borderless tables still rely on heuristics.
• Tables continued across pages are handled separately.

License

MIT. See LICENSE.

Espanol

Tabulex es una libreria Python para detectar tablas en PDFs digitales, reconstruir su estructura y exportarlas a pandas, polars y JSON.

Caracteristicas

• Procesa PDFs de una o varias paginas.
• Detecta tablas con PyMuPDF y una heuristica de respaldo basada en geometria del texto.
• Conserva celdas multilinea uniendo las lineas con \n.
• Representa celdas fusionadas con rowspan y colspan en un modelo intermedio.
• Almacena imagenes de celdas como base64.
• Exporta tablas a Pandas, Polars o JSON.

Instalacion

pip install tabulex

Uso Rapido

from tabulex import extract_tables

result = extract_tables("sample-tables.pdf", return_type="all")

print(result.pandas_tables[0])
print(result.polars_tables[0])
print(result.json_tables[0])

Salida JSON

from tabulex import extract_tables

result = extract_tables("sample-tables.pdf", return_type="json")
print(result.json_tables[0])

API Principal

extract_tables(
    pdf_path: str,
    pages: list[int] | None = None,
    return_type: str = "both",
    preserve_spans: bool = True,
    preserve_images: bool = True,
    image_encoding: str = "base64",
    engine: str = "pymupdf",
)

extract_tables(...) devuelve un ExtractionResult con:

• tables
• pandas_tables
• polars_tables
• json_tables
• metadata

Limitaciones

• La V1 esta pensada para PDFs digitales.
• Los PDFs escaneados y los flujos con OCR no forman parte del camino principal.
• Las tablas sin bordes siguen dependiendo de heuristicas.
• Las tablas continuadas entre paginas se procesan por separado.

Licencia

MIT. Consulta LICENSE.