使用Python從圖像中提取表格

大約一年前，我被指派任務從文件中提取和結構化數據，主要是包含在表格中的數據。我之前對電腦視覺沒有了解，很難找到一個合適的「即插即用」的解決方案。當時可選的方案要么是基於最新神經網路（NN）的解決方案，這些解決方案龐大而繁瑣，要么是基於OpenCV的較簡單的解決方案，但不夠一致。

受現有OpenCV腳本的啟發，我開發了一種簡單而一致的方法來提取表格，並將其製作成一個開源的Python庫：img2table

需要重寫的內容是：連結：https://github.com/xavctn/img2table

#我的函式庫有什麼作用？

與深度學習解決方案相比，這個輕量級的套件不需要訓練和最小化參數化。它提供了以下功能：

• 識別影像和PDF檔案中的表格，包括在表格單元層級的邊界框。
• 透過支援OCR服務/工具（Tesseract、PaddleOCR、AWS Textract、Google Vision和Azure OCR目前支援）來擷取表格內容。
• 處理複雜的表格結構，如合併儲存格。
• 實現修正影像的傾斜和旋轉的方法。
• 提取的表格以一個簡單的物件形式傳回，包括一個Pandas DataFrame表示。
• 將提取的表格匯出為Excel檔案的選項，保留其原始結構。

如何使用它？

可以使用pip來安裝這個函式庫，安裝完成後就可以使用了

pip install img2table

在文件中識別表格只需呼叫一個函數：

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))]

需要被改寫的內容是：上述範例中使用的圖片

如果我們想要擷取表格的內容，就需要使用OCR工具。可以按照以下步驟來實現：

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)

#範例表格是從PDF檔案中提取出來的樣本

最後，在簡單的情況下，可以透過設定`borderless_tables`參數來執行「無邊框」表格的提取。這允許檢測那些單元格不需要完全被邊框包圍的表格。

無需更改原始意思，需要重寫的內容是：「無邊框」表格提取範例

這是全部內容！事實上，倉庫並不複雜，因為我們的目標是盡可能簡化，避免引入其他可能帶來複雜性的解決方案

請訪問專案的GitHub頁面以獲取更詳細的文件和範例：https://github.com/xavctn/img2table

#底層實作

##所有影像處理都使用OpenCV和opencv -python函式庫完成。然而，這仍然相當基礎。

演算法的核心是Hough變換，它能夠識別圖像中的直線，使我們能夠檢測圖像中的水平和垂直線條

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

在這之後，我們需要對線條進行一些處理，以便從中識別出單元格，並從單元格中進一步識別出表格

簡化演算法表示的實現方式

大多數運算使用Polars進行，以實現良好的效能和速度。

#

以上是使用Python從圖像中提取表格的詳細內容。更多資訊請關注PHP中文網其他相關文章！