使用Python從圖像中提取表格
大約一年前，我被分配任務(wù)從文件中提取和結(jié)構(gòu)化數(shù)據(jù)，主要是包含在表格中的數(shù)據(jù)。我之前對(duì)計(jì)算機(jī)視覺沒有了解，并且很難找到一個(gè)合適的“即插即用”的解決方案。當(dāng)時(shí)可選的方案要么是基于最新神經(jīng)網(wǎng)絡(luò)（NN）的解決方案，這些解決方案龐大而繁瑣，要么是基于OpenCV的較簡(jiǎn)單的解決方案，但不夠一致。
受現(xiàn)有OpenCV腳本的啟發(fā)，我開發(fā)了一種簡(jiǎn)單而一致的方法來提取表格，并將其制作成一個(gè)開源的Python庫(kù)：img2table。
鏈接：https://github.com/xavctn/img2table
我的庫(kù)有什么作用？
與深度學(xué)習(xí)解決方案相比，這個(gè)輕量級(jí)的包不需要訓(xùn)練和最小化參數(shù)化。它提供了以下功能：
- 識(shí)別圖像和PDF文件中的表格，包括在表格單元級(jí)別的邊界框。
- 通過支持OCR服務(wù)/工具（Tesseract、PaddleOCR、AWS Textract、Google Vision和Azure OCR目前支持）來提取表格內(nèi)容。
- 處理復(fù)雜的表格結(jié)構(gòu)，如合并單元格。
- 實(shí)現(xiàn)糾正圖像的傾斜和旋轉(zhuǎn)的方法。
- 提取的表格以一個(gè)簡(jiǎn)單的對(duì)象形式返回，包括一個(gè)Pandas DataFrame表示。
- 將提取的表格導(dǎo)出為Excel文件的選項(xiàng)，保留其原始結(jié)構(gòu)。
如何使用它？
您可以通過pip安裝該庫(kù)，然后就可以使用了：
pip install img2table在文檔中識(shí)別表格只需調(diào)用一個(gè)函數(shù)：
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))]
上述示例中使用的圖像
如果我們想提取表格的內(nèi)容，則需要使用OCR工具，可以按如下方式實(shí)現(xiàn)：
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)
從PDF中提取的表格示例
最后，在簡(jiǎn)單的情況下，可以通過設(shè)置`borderless_tables`參數(shù)來執(zhí)行“無邊框”表格的提取。這允許檢測(cè)那些單元格不需要完全被邊框包圍的表格。
“無邊框”表格提取示例
這就是全部！實(shí)際上，庫(kù)并沒有太多復(fù)雜的東西，因?yàn)槟繕?biāo)是盡可能簡(jiǎn)化，以避免其他可用解決方案可能帶來的復(fù)雜性。
有關(guān)更詳細(xì)的文檔和示例，請(qǐng)查看項(xiàng)目的GitHub頁(yè)面：https://github.com/xavctn/img2table
底層實(shí)現(xiàn)
所有圖像處理都使用OpenCV和opencv-python庫(kù)完成。然而，這仍然相當(dāng)基礎(chǔ)。
算法的骨架是Hough變換，它能夠識(shí)別圖像中的線條，使我們能夠檢測(cè)圖像的水平和垂直線條。
cv2.HoughLinesP(img, rho, theta, threshold, None, minLinLength, maxLineGap)之后，對(duì)線條進(jìn)行一些處理以從線條中識(shí)別單元格，然后從單元格中識(shí)別表格。
實(shí)現(xiàn)算法的簡(jiǎn)化表示
大多數(shù)計(jì)算使用Polars進(jìn)行，以實(shí)現(xiàn)良好的性能和速度。
