大約一年前，我被分配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。我之前對計算機視覺沒有了解，并且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于最新神經網絡（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，并將其制作成一個開源的Python庫：img2table。

鏈接：https://github.com/xavctn/img2table

我的庫有什么作用？

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

• 識別圖像和PDF文件中的表格，包括在表格單元級別的邊界框。
• 通過支持OCR服務/工具（Tesseract、PaddleOCR、AWS Textract、Google Vision和Azure OCR目前支持）來提取表格內容。
• 處理復雜的表格結構，如合并單元格。
• 實現糾正圖像的傾斜和旋轉的方法。
• 提取的表格以一個簡單的對象形式返回，包括一個Pandas DataFrame表示。
• 將提取的表格導出為Excel文件的選項，保留其原始結構。

如何使用它？

您可以通過pip安裝該庫，然后就可以使用了：

pip install img2table

在文檔中識別表格只需調用一個函數：

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容，則需要使用OCR工具，可以按如下方式實現：

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，在簡單的情況下，可以通過設置`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。

“無邊框”表格提取示例

這就是全部！實際上，庫并沒有太多復雜的東西，因為目標是盡可能簡化，以避免其他可用解決方案可能帶來的復雜性。

有關更詳細的文檔和示例，請查看項目的GitHub頁面：https://github.com/xavctn/img2table

底層實現

所有圖像處理都使用OpenCV和opencv-python庫完成。然而，這仍然相當基礎。

算法的骨架是Hough變換，它能夠識別圖像中的線條，使我們能夠檢測圖像的水平和垂直線條。

cv2.HoughLinesP(img, rho, theta, threshold, None, minLinLength, maxLineGap)

之后，對線條進行一些處理以從線條中識別單元格，然后從單元格中識別表格。

實現算法的簡化表示

大多數計算使用Polars進行，以實現良好的性能和速度。