Ekstrak jadual daripada imej menggunakan Python

Kira-kira setahun yang lalu saya telah diberi tugas untuk mengekstrak dan menstruktur data daripada fail, terutamanya data yang terkandung dalam jadual. Saya tidak mempunyai pengetahuan awal tentang penglihatan komputer dan mengalami kesukaran mencari penyelesaian "plug and play" yang sesuai. Pilihan yang tersedia pada masa itu adalah sama ada penyelesaian berdasarkan rangkaian saraf (NN) terkini, yang besar dan rumit, atau penyelesaian yang lebih ringkas berdasarkan OpenCV, yang tidak cukup konsisten.

Diinspirasikan oleh skrip OpenCV sedia ada, saya membangunkan cara yang mudah dan konsisten untuk mengekstrak jadual dan menjadikannya pustaka Python sumber terbuka: img2table

#🎜🎜 #Kandungan yang perlu ditulis semula ialah: Pautan: https://github.com/xavctn/img2table

# 🎜🎜##🎜🎜 #Apa yang perpustakaan saya lakukan?

Berbanding dengan penyelesaian pembelajaran mendalam, pakej ringan ini tidak memerlukan latihan dan parameterisasi minimum. Ia menyediakan fungsi berikut:

Mengenal pasti jadual dalam imej dan fail PDF, termasuk kotak sempadan pada peringkat sel jadual.

Ekstrak kandungan jadual dengan menyokong perkhidmatan/alat OCR (Tesseract, PaddleOCR, AWS Text, Google Vision dan Azure OCR kini disokong).
• Kendalikan struktur jadual kompleks seperti sel bercantum.
• Kaedah untuk membetulkan kecondongan dan putaran imej.
• Jadual yang diekstrak dikembalikan sebagai objek ringkas, termasuk perwakilan Pandas DataFrame.
• Pilihan untuk mengeksport jadual yang diekstrak sebagai fail Excel, mengekalkan struktur asalnya.
• Bagaimana cara menggunakannya?

Anda boleh menggunakan pip untuk memasang perpustakaan ini, dan anda boleh menggunakannya selepas pemasangan selesai

pip install img2table

Untuk mengenal pasti jadual dalam dokumen , anda hanya perlu memanggil fungsi :

从img2table.document导入Image类# 图像实例化
img = Image(src="myimage.jpg")# 表格识别
img_tables = img.extract_tables()# 表格识别结果
img_tables[ExtractedTable(title=None, bbox=(10, 8, 745, 314),shape=(6, 3)), ExtractedTable(title=None, bbox=(936, 9, 1129, 111),shape=(2, 2))]

#🎜🎜🎜#Kandungan yang diperlukan untuk ditulis semula ialah: Apa yang digunakan dalam contoh di atas Imej

Jika kita ingin mengekstrak kandungan jadual, kita perlu menggunakan alat OCR. Anda boleh ikuti langkah di bawah:

from img2table.document import PDFfrom img2table.ocr import TesseractOCR# Instantiation of the pdfpdf = PDF(src="mypdf.pdf")# Instantiation of the OCR, Tesseract, which requires prior installationocr = TesseractOCR(lang="eng")# Table identification and extractionpdf_tables = pdf.extract_tables(ocr=ocr)# We can also create an excel file with the tablespdf.to_xlsx('tables.xlsx',ocr=ocr)

Borang sampel ialah sampel yang diekstrak daripada fail PDF#🎜🎜 #

Akhir sekali, dalam kes mudah, pengekstrakan jadual "tanpa sempadan" boleh dilakukan dengan menetapkan parameter `borderless_tables`. Ini membolehkan pengesanan jadual di mana sel tidak perlu dikelilingi sepenuhnya oleh sempadan.

Tak perlu tukar maksud asal, isi yang perlu ditulis semula ialah: Contoh perahan jadual "Tanpa Sempadan"

#🎜🎜 ##🎜🎜 #

Itu sahaja! Sebenarnya, repositori tidak rumit, kerana matlamat kami adalah untuk memudahkannya sebanyak mungkin dan mengelakkan daripada memperkenalkan penyelesaian lain yang mungkin memperkenalkan kerumitan Sila lawati halaman GitHub projek Untuk dokumentasi dan contoh yang lebih terperinci: https://github.com /xavctn/img2table

Pelaksanaan Asas

Semua pemprosesan imej CV terbuka dan dibuka menggunakan Cv Terbuka . Walau bagaimanapun, ini masih agak asas.

Inti algoritma ialah transformasi Hough, yang mampu mengenal pasti garis lurus dalam imej, membolehkan kami mengesan garis mendatar dan menegak dalam imej

需要重写的内容是：cv2.HoughLinesP(img, rho, theta, threshold, None, minLinLength, maxLineGap)

#🎜🎜 #

Selepas ini, kita perlu melakukan beberapa pemprosesan pada garisan untuk mengenal pasti sel daripadanya dan seterusnya mengenal pasti jadual daripada sel

# 🎜🎜## 🎜🎜#

Pelaksanaan perwakilan algoritma yang dipermudahkan

Kebanyakan pengiraan dilakukan menggunakan Polar untuk prestasi dan kelajuan yang baik.

Atas ialah kandungan terperinci Ekstrak jadual daripada imej menggunakan Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!