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

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？

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 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 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)

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

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。