使用Python从图像中提取表格

开发 前端 人工智能
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。

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

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))]

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)

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。

“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。

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。

责任编辑:赵宁宁 来源: 小白玩转Python
相关推荐

2020-07-08 07:54:03

PythonPDF数据

2019-09-29 09:08:41

Python数据库Google

2021-03-15 21:50:22

Linux提取文本GUI工具

2023-11-29 11:30:17

PDF语言模型

2021-05-13 23:54:12

DockerDockerfile镜像

2021-03-10 10:20:06

Linux文本命令

2022-11-23 10:31:54

2016-01-26 11:08:54

2022-08-24 15:57:17

图片轮廓

2021-09-04 23:45:40

机器学习语言人工智能

2013-04-01 11:14:56

IT大数据网络信息化

2019-09-04 11:09:38

物联网数据边缘

2023-04-27 07:06:09

Categraf夜莺

2021-08-16 11:51:16

微软Windows 365Azure

2021-03-16 09:00:00

深度学习人工智能传感器

2014-07-16 17:35:03

Android表单模型

2020-05-08 11:12:58

恶意软件PC安全终端安全

2021-10-21 05:41:27

QueenSono安全工具提取数据

2020-10-30 11:02:16

物联网人工智能机器学习

2020-01-10 22:56:56

Python图像处理Linux
点赞
收藏

51CTO技术栈公众号