无锡网站设,个人flash网站源码,德州中文网站建设,优秀学习网站img2table是一个基于OpenCV 图像处理的用于 PDF 和图像的表识别和提取 Python库。由于其设计基于神经网络的解决方案#xff0c;提供了一种实用且更轻便的替代方案#xff0c;尤其是在 CPU 上使用时。
该库的特点#xff1a; 识别图像和PDF文件中的表格#xff0c;包括在表…img2table是一个基于OpenCV 图像处理的用于 PDF 和图像的表识别和提取 Python库。由于其设计基于神经网络的解决方案提供了一种实用且更轻便的替代方案尤其是在 CPU 上使用时。
该库的特点 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。 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。
支持的文件格式
图像 支持的图像格式不支持多页图像。
PDF格式 支持本机和扫描的 PDF 文件。
一、安装
pip install img2table#标准安装支持Tesseractpip install img2table[paddle]#用于Paddle OCRpip install img2table[easyocr]#用于 EasyOCRpip install img2table[gcp]#用于 Google Vision OCRpip install img2table[aws]#用于 AWS Textract OCRpip install img2table[azure]#用于 Azure 认知服务 OCR二、使用
图像文件实例化如下
from img2table.document import Image
image Image(src,detect_rotationFalse)
说明参数src str或bytes 或pathlib.Path或BytesIO图片文件格式detect_rotationbool可选默认False检测并纠正图像的倾斜/旋转
PDF文件
from img2table.document import PDF
pdf PDF(src, pages[0, 2], detect_rotationFalse, pdf_text_extractionTrue)
参数说明src str或bytes 或pathlib.Path或BytesIOPDF文件格式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detect_rotationbool可选默认False检测并纠正从 PDF 中提取的图像的倾斜/旋转pdf_text_extractionbool可选默认True从原生 PDF 的 PDF 文件中提取文本
三、OCR
img2table为多个 OCR 服务和工具提供接口以便解析表内容。 如果可能即对于原生 PDF将直接从文件中提取 PDF 文本并且不会调用 OCR 服务/工具。以Tesseract为例
from img2table.ocr import TesseractOCR
ocr TesseractOCR(n_threads1, langeng, psm11, tessdata_dir...)四、表提取
使用文档的方法可以从 PDF 页面/图像中一次提取多个表格。使用类方法extract_tables返回
from img2table.ocr import TesseractOCRfrom img2table.document import Image
# Instantiation of OCRocr TesseractOCR(n_threads1, langeng)
# Instantiation of document, either an image or a PDFdoc Image(src)
# Table extractionextracted_tables doc.extract_tables(ocrocr, implicit_rowsFalse, borderless_tablesFalse, min_confidence50)参数说明ocr OCRInstance可选默认None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implicit_rowsbool可选默认False指示是否应标识隐式行的布尔值 - 检查相关示例borderless_tablesbool可选默认False指示是否在有边框表的顶部提取无边框表的布尔值。min_confidenceint、可选、默认50OCR 处理文本的最低置信度从 0最差到 99最好
ExtractedTable 类用于对从文档中提取的表进行建模。
属性bboxBBox表边界框title : str提取的表标题content : OrderedDict以行索引为键以对象列表为值的字典TableCelldf : pd.DataFrame表的 Pandas DataFrame 表示形式html : str表格的 HTML 表示形式
五、返回提取结果
图像 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。
output { 0: [ExtractedTable(...), ...], 1: [], ... last_page: [ExtractedTable(...), ...]}
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。
from img2table.ocr import TesseractOCRfrom img2table.document import Image
# Instantiation of OCRocr TesseractOCR(n_threads1, langeng)
# Instantiation of document, either an image or a PDFdoc Image(src)
# Extraction of tables and creation of a xlsx file containing tablesdoc.to_xlsx(destdest, ocrocr, implicit_rowsFalse, borderless_tablesFalse, min_confidence50) githubhttps://github.com/xavctn/img2table
