img2table是一个基于OpenCV图像处理的Python库,专门用于识别和提取PDF和图像中的表格内容。该库采用了基于神经网络的解决方案,为CPU上的使用提供了一种实用且更轻便的替代方案。
特点:
- 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。
- 提供对OCR服务/工具(Tesseract、PaddleOCR、AWS Textract、Google Vision和Azure OCR)的支持,用于提取表格内容。
- 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。
- 将提取的表格导出为Pandas DataFrame和Excel文件。
一、安装:
<code>pip install img2table<em>#标准安装支持Tesseract</em></code><code>pip install img2table[paddle]<em>#用于Paddle OCR</em></code><code>pip install img2table[easyocr]<em>#用于 EasyOCR</em></code><code>pip install img2table[gcp]<em>#用于 Google Vision OCR</em></code><code>pip install img2table[aws]<em>#用于 AWS Textract OCR</em></code><code>pip install img2table[azure]<em>#用于 Azure 认知服务 OCR</em></code><code></code>
二、使用
图像文件实例化如下:
<code>from img2table.document import Image</code><code><br></code><code>image = Image(src,detect_rotation=False)</code><code><br></code><code>"""</code><code>说明参数</code><code>src :str或bytes 或pathlib.Path或BytesIO,图片文件格式</code><code>detect_rotation:bool,可选,默认False,检测并纠正图像的倾斜/旋转</code><code>"""</code>
PDF文件
<code>from img2table.document import PDF</code><code><br></code><code>pdf = PDF(src, </code><code>pages=[0, 2],</code><code> detect_rotation=False,</code><code> pdf_text_extraction=True)</code><code><br></code><code>"""</code><code>参数说明</code><code>src : str或bytes 或pathlib.Path或BytesIO,PDF文件格式</code><code>pages : 列表, 可选, 默认None。要处理的 PDF 页面索引列表。如果为 None,则处理所有页面</code><code>detect_rotation:bool,可选,默认False,检测并纠正从 PDF 中提取的图像的倾斜/旋转</code><code>pdf_text_extraction:bool,可选,默认True,从原生 PDF 的 PDF 文件中提取文本</code><code>"""</code>
三、OCR示例:
<code>from img2table.ocr import TesseractOCR</code><code><br></code><code>ocr = TesseractOCR(n_threads=1, </code><code>lang="eng", </code><code>psm=11,</code><code> tessdata_dir="...")</code><code></code>
四、表提取示例:
<code>from img2table.ocr import TesseractOCR</code><code>from img2table.document import Image</code><code><br></code><code><em># Instantiation of OCR</em></code><code>ocr = TesseractOCR(n_threads=1, lang="eng")</code><code><br></code><code><em># Instantiation of document, either an image or a PDF</em></code><code>doc = Image(src)</code><code><br></code><code><em># Table extraction</em></code><code>extracted_tables = doc.extract_tables(ocr=ocr,</code><code> implicit_rows=False,</code><code> borderless_tables=False,</code><code> min_confidence=50)</code><code>"""</code><code>参数说明</code><code>ocr :OCRInstance,可选,默认None</code><code>用于解析文档文本的 OCR 实例。如果为 None,则不会提取单元格内容</code><code>implicit_rows:bool,可选,默认False</code><code>指示是否应标识隐式行的布尔值 - 检查相关示例</code><code>borderless_tables:bool,可选,默认False</code><code>指示是否在有边框表的顶部提取无边框表的布尔值。</code><code>min_confidence:int、可选、默认50</code><code>OCR 处理文本的最低置信度,从 0(最差)到 99(最好)</code><code>""" </code>
<code>ExtractedTable 类用于对从文档中提取的表进行建模。</code><code><br></code><code>属性</code><code>bbox:BBox,表边界框</code><code>title : str,提取的表标题</code><code>content : OrderedDict,以行索引为键,以对象列表为值的字典TableCell</code><code>df : pd.DataFrame,表的 Pandas DataFrame 表示形式</code><code>html : str,表格的 HTML 表示形式</code>
五、返回提取结果
Image类的extract_tables方法返回ExtractedTable对象的列表。
output = [ExtractedTable(...), ExtractedTable(...), ...]
PDF格式
PDF类的extract_tables方法返回一个OrderedDict对象,该对象将页面索引作为键和ExtractedTable对象的列表。
<code>output = {</code><code> 0: [ExtractedTable(...), ...],</code><code> 1: [],</code><code> ...</code><code> last_page: [ExtractedTable(...), ...]</code><code>}</code>
Excel 导出
从文档中提取的表格可以导出为 xlsx 文件。生成的文件由每个提取的表的一个工作表组成。
方法参数在方法中很常见。
<code>from img2table.ocr import TesseractOCR</code><code>from img2table.document import Image</code><code><br></code><code><em># Instantiation of OCR</em></code><code>ocr = TesseractOCR(n_threads=1, lang="eng")</code><code><br></code><code><em># Instantiation of document, either an image or a PDF</em></code><code>doc = Image(src)</code><code><br></code><code><em># Extraction of tables and creation of a xlsx file containing tables</em></code><code>doc.to_xlsx(dest=dest,</code><code> ocr=ocr,</code><code> implicit_rows=False,</code><code> borderless_tables=False,</code><code> min_confidence=50)</code>
GitHub地址:https://github.com/xavctn/img2table
© 版权声明
THE END
暂无评论内容