使用Python从图像中提取表格

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

需要被重写的内容是：链接：https://github.com/xavctn/img2table

我的库有什么作用？

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：

• 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。

如何使用它？

可以使用pip来安装这个库，安装完成后就可以使用了

pip install img2table

在文档中识别表格只需调用一个函数：

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))]

需要被改写的内容是：上述示例中使用的图像

如果我们想要提取表格的内容，就需要使用OCR工具。可以按照以下步骤来实现：

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)

示例表格是从PDF文件中提取出来的样本

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。

无需更改原始意思，需要重写的内容是：“无边框”表格提取示例

这是全部内容！事实上，仓库并不复杂，因为我们的目标是尽可能简化，避免引入其他可能带来复杂性的解决方案

请访问项目的GitHub页面以获取更详细的文档和示例：https://github.com/xavctn/img2table

底层实现

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。

算法的核心是Hough变换，它能够识别图像中的直线，使我们能够检测图像中的水平和垂直线条

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

在这之后，我们需要对线条进行一些处理，以便从中识别出单元格，并从单元格中进一步识别出表格

简化算法表示的实现方式

大多数计算使用Polars进行，以实现良好的性能和速度。