当前位置:首页> AI资讯> img2table: 一个简单的Python库,用于提取和结构化图像和PDF文件中的表格数据

img2table: 一个简单的Python库,用于提取和结构化图像和PDF文件中的表格数据

释放双眼,带上耳机,听听看~!
img2table是一个轻量级的Python库,用于识别图像和PDF文件中的表格,并提取结构化数据。它不需要深度学习训练,支持多种OCR工具,并可以导出表格数据为Excel文件。

大约一年前,我被分配任务从文件中提取和结构化数据,主要是包含在表格中的数据。我之前对计算机视觉没有了解,并且很难找到一个合适的“即插即用”的解决方案。当时可选的方案要么是基于最新神经网络(NN)的解决方案,这些解决方案庞大而繁琐,要么是基于OpenCV的较简单的解决方案,但不够一致。

受现有OpenCV脚本的启发,我开发了一种简单而一致的方法来提取表格,并将其制作成一个开源的Python库:img2table。

链接:https://github.com/xavctn/img2table

img2table: 一个简单的Python库,用于提取和结构化图像和PDF文件中的表格数据

我的库有什么作用?

与深度学习解决方案相比,这个轻量级的包不需要训练和最小化参数化。它提供了以下功能:

  • 识别图像和PDF文件中的表格,包括在表格单元级别的边界框。
  • 通过支持OCR服务/工具(Tesseract、PaddleOCR、AWS Textract、Google Vision和Azure OCR目前支持)来提取表格内容。
  • 处理复杂的表格结构,如合并单元格。
  • 实现纠正图像的倾斜和旋转的方法。
  • 提取的表格以一个简单的对象形式返回,包括一个Pandas DataFrame表示。
  • 将提取的表格导出为Excel文件的选项,保留其原始结构。

如何使用它?

您可以通过pip安装该库,然后就可以使用了:

pip install img2table

在文档中识别表格只需调用一个函数:

from img2table.document import Image

# Instantiation of the image
img = Image(src="myimage.jpg")

# Table identification
img_tables = img.extract_tables()

# Result of table identification
img_tables

[ExtractedTable(title=None, bbox=(10, 8, 745, 314),shape=(6, 3)),
 ExtractedTable(title=None, bbox=(936, 9, 1129, 111),shape=(2, 2))]

img2table: 一个简单的Python库,用于提取和结构化图像和PDF文件中的表格数据

上述示例中使用的图像

如果我们想提取表格的内容,则需要使用OCR工具,可以按如下方式实现:

from img2table.document import PDF
from img2table.ocr import TesseractOCR

# Instantiation of the pdf
pdf = PDF(src="mypdf.pdf")

# Instantiation of the OCR, Tesseract, which requires prior installation
ocr = TesseractOCR(lang="eng")

# Table identification and extraction
pdf_tables = pdf.extract_tables(ocr=ocr)

# We can also create an excel file with the tables
pdf.to_xlsx('tables.xlsx',
            ocr=ocr)

img2table: 一个简单的Python库,用于提取和结构化图像和PDF文件中的表格数据

从PDF中提取的表格示例

最后,在简单的情况下,可以通过设置`borderless_tables`参数来执行“无边框”表格的提取。这允许检测那些单元格不需要完全被边框包围的表格。

img2table: 一个简单的Python库,用于提取和结构化图像和PDF文件中的表格数据

“无边框”表格提取示例

这就是全部!实际上,库并没有太多复杂的东西,因为目标是尽可能简化,以避免其他可用解决方案可能带来的复杂性。

有关更详细的文档和示例,请查看项目的GitHub页面:https://github.com/xavctn/img2table

底层实现

所有图像处理都使用OpenCV和opencv-python库完成。然而,这仍然相当基础。

算法的骨架是Hough变换,它能够识别图像中的线条,使我们能够检测图像的水平和垂直线条。

cv2.HoughLinesP(img, rho, theta, threshold, None, minLinLength, maxLineGap)

之后,对线条进行一些处理以从线条中识别单元格,然后从单元格中识别表格。

img2table: 一个简单的Python库,用于提取和结构化图像和PDF文件中的表格数据

实现算法的简化表示

大多数计算使用Polars进行,以实现良好的性能和速度。

本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。
AI资讯

Galactica:Meta新一代语言模型的教训与应用

2023-11-15 15:09:03

AI资讯

Meta公司从Galactica失败模型中学到的经验教训

2023-11-15 15:11:35

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索