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
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。
正软商城本月促销专区，汇集办公、设计、安全、影音、系统工具及AI软件等正版软件优惠活动，提供限时折扣、特价授权和优惠购买信息，活动库存及价格以页面实时展示为准。
正软商城装机必备专区，精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件，帮助用户快速完成新电脑软件配置。
正软商城Windows软件专区，汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件，提供软件介绍、系统要求、正版授权及购买下载服务。
正软商城macOS软件专区，精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具，提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。
正软商城iOS软件专区，精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用，提供功能介绍、适用设备、系统要求和正版获取方式等信息。
正软商城AI软件专区，汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具，提供功能介绍、适用平台、收费方式及正版购买信息。
正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法，同时介绍常用PDF软件和工具的使用技巧。
赤友清理大师是一款为 Mac 设计的智能清理优化工具，可精准扫描垃圾、大文件、重复文件等，释放磁盘空间。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
