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
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：
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 imageimg = Image(src="myimage.jpg")# Table identificationimg_tables = img.extract_tables()# Result of table identificationimg_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 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)
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
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。
本文链接：http://www.28at.com/showinfo-26-25992-0.html使用Python从图像中提取表格
声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com
上一篇： C语言结构体用法详解
Copyright © 2016-2023 天津谷骐科技有限公司 版权所有 sitemap.xml
违法及侵权请联系：2376512515@qq.com 津ICP备18001702号
津公网安备 12010102000574号