从图片或PDF文件识别表格提取内容的简单库img2table

img2table是一个基于OpenCV 图像处理的用于 PDF 和图像的表识别和提取 Python库。由于其设计基于神经网络的解决方案，提供了一种实用且更轻便的替代方案，尤其是在 CPU 上使用时。

该库的特点：

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。

支持的文件格式

图像

支持的图像格式，不支持多页图像。

PDF格式

支持本机和扫描的 PDF 文件。

一、安装

pip install img2table#标准安装支持Tesseractpip install img2table[paddle]#用于Paddle OCRpip install img2table[easyocr]#用于 EasyOCRpip install img2table[gcp]#用于 Google Vision OCRpip install img2table[aws]#用于 AWS Textract OCRpip install img2table[azure]#用于 Azure 认知服务 OCR

二、使用

图像文件实例化如下：

from img2table.document import Image
image = Image(src,detect_rotation=False)
"""说明参数src ：str或bytes 或pathlib.Path或BytesIO，图片文件格式detect_rotation：bool，可选，默认False，检测并纠正图像的倾斜/旋转"""

PDF文件

from img2table.document import PDF
pdf = PDF(src,           pages=[0, 2],          detect_rotation=False,          pdf_text_extraction=True)
"""参数说明src ：  str或bytes 或pathlib.Path或BytesIO，PDF文件格式pages ： 列表， 可选， 默认None。要处理的 PDF 页面索引列表。如果为 None，则处理所有页面detect_rotation：bool，可选，默认False，检测并纠正从 PDF 中提取的图像的倾斜/旋转pdf_text_extraction：bool，可选，默认True，从原生 PDF 的 PDF 文件中提取文本"""

三、OCR

img2table为多个 OCR 服务和工具提供接口，以便解析表内容。
如果可能（即对于原生 PDF），将直接从文件中提取 PDF 文本，并且不会调用 OCR 服务/工具。以Tesseract为例

from img2table.ocr import TesseractOCR
ocr = TesseractOCR(n_threads=1,                    lang="eng",                    psm=11,                   tessdata_dir="...")

四、表提取

使用文档的方法可以从 PDF 页面/图像中一次提取多个表格。使用类方法extract_tables返回

from img2table.ocr import TesseractOCRfrom img2table.document import Image
# Instantiation of OCRocr = TesseractOCR(n_threads=1, lang="eng")
# Instantiation of document, either an image or a PDFdoc = Image(src)
# Table extractionextracted_tables = doc.extract_tables(ocr=ocr,                                      implicit_rows=False,                                      borderless_tables=False,                                      min_confidence=50)"""参数说明ocr ：OCRInstance，可选，默认None用于解析文档文本的 OCR 实例。如果为 None，则不会提取单元格内容implicit_rows：bool，可选，默认False指示是否应标识隐式行的布尔值 - 检查相关示例borderless_tables：bool，可选，默认False指示是否在有边框表的顶部提取无边框表的布尔值。min_confidence：int、可选、默认50OCR 处理文本的最低置信度，从 0（最差）到 99（最好）"""

ExtractedTable 类用于对从文档中提取的表进行建模。
属性bbox：BBox，表边界框title : str，提取的表标题content : OrderedDict，以行索引为键，以对象列表为值的字典TableCelldf : pd.DataFrame，表的 Pandas DataFrame 表示形式html : str，表格的 HTML 表示形式

五、返回提取结果

图像
Image类的extract_tables方法返回ExtractedTable对象的列表。

output = [ExtractedTable(...), ExtractedTable(...), ...]

PDF格式
PDF类的extract_tables方法返回一个OrderedDict对象，该对象将页面索引作为键和ExtractedTable对象的列表。

output = {    0: [ExtractedTable(...), ...],    1: [],    ...    last_page: [ExtractedTable(...), ...]}

Excel 导出
从文档中提取的表格可以导出为 xlsx 文件。生成的文件由每个提取的表的一个工作表组成。
方法参数在方法中很常见。

from img2table.ocr import TesseractOCRfrom img2table.document import Image
# Instantiation of OCRocr = TesseractOCR(n_threads=1, lang="eng")
# Instantiation of document, either an image or a PDFdoc = Image(src)
# Extraction of tables and creation of a xlsx file containing tablesdoc.to_xlsx(dest=dest,            ocr=ocr,            implicit_rows=False,            borderless_tables=False,            min_confidence=50)