详情
本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
“表哥表姐”们还在为大量PDF文件中的表格发愁吗？
百度一下，网上有大量提取PDF表格的工具，但是，它们都只支持文本格式PDF。
但扫描生成的图片表格怎么办？
别着急，一种使用深度神经网络识别提取表格的开源工具可以帮助你。
兼容图片、高准确率、还不占用本地运算资源，如此实用的工具值得你拥有。
测试实例
如果在输入的PDF文件中检测的表格，模型会在边界框（bounding box）标出表格边框:
然后，表格数据会被转化为Panda数据框架，方便后续处理:
怎么样，是不是很实用？那这个工具如何使用呢？
使用姿势详解
神经网络算法，还不占用本地运算资源？
对，你没听错，这个工具的所有代码都可以在谷歌Colab上运行。也就是说你可以利用Colab云端资源完成训练和推理，无需本地安装。
这个工具使用到的深度神经网络是Keras-RetinaNet，首先要在Colab上安装Keras-RetinaNet，通过一下一行代码就可以完成:
git clone /fizyr/keras-retinanet
同时需要安装必要的库:
pip install .python build_ext — inplace 训练Keras-RetinaNet识别表格
首先要构建或一个训练使用的数据库。
这里要用到Colab工具PDF2Img，将PDF文件转为JPG格式供算法学习。
然后将转好的图片保存在Images文件夹中。接下来需要手动给这些训练数据打标签，这里推荐使用在线标记工具。
将XML注释文件保存在注释文件夹中，并创建用于培训和测试的PDF文件列表，将该列表导入和中。
接下来，克隆Github项目/ferrygun/PDFTableExtract，并安装beautifulsoup。
运行以下命令以将PASCALVOC格式转换为Keras-RetinaNet所需的格式:
python
运行上述命令后，会得到，和。
在中，由于只识别PDF文档中的表，所以只有到一个class，即class 0。
如果你在打标签的过程中加入页眉页脚等标签，相应能得到多个class。
完整的文件和文件夹结构的列表:
然后，将，，，和 导入keras-retinanet的根文件夹中:
接下来，运行Colab TrainOCR，可以根据要训练的JPG文件数量来调整训练的epoch数量。
训练完成后，就会得到权重文件，下载此文件并将其保存到本地主机。后面将使用该文件来运行测试。
这里需要注意的一点是，在Colab中，已将文件上传到Git并进行了Git克隆。
运行测试
运行测试前，还需要安装处理PDF文件必要的库。
PyPDF2是一个python工具库，能够提取文档信息，裁剪页面等。
使用以下命令安装此库:
pip install PyPDF2
Camelot是专门用于解析PDF页面表格的python库。
使用以下命令安装此库:
pip install camelot-py[cv]
PDF2IMG是将Python转换为PIL Image对象的python库。
使用以下命令安装此库:
pip install pdf2imag
在运行预测之前，需要使用从训练中获得的权重文件加载模型，并从定义标签class 0。
model_path = ‘’model = (model_path, backbone_name=’resnet50’)labels = ‘’LABELS = open(labels).read().strip().split(‘ ’)LABELS = {int((‘,’)[1]): (‘,’)[0] for L in LABELS}print(LABELS){0: ‘tabel’}
接下来运行测试
import numpy as npimport cv2import as pltimage_path = imgfname#image = (image_path)image = read_image_bgr(image_path)image = (image, )output = ()output = (output, )print() # row (height) x column (width) x color (3)image = preprocess_image(image)(image, scale) = resize_image(image)image = (image, axis=0)# detect objects in the input image and correct for the image scale(boxes, scores, labels) = (image)boxes /= scaleconfidence = import cv2_imshowimport as pltlabel_out = []result = ""# loop over the detectionsfor (box, score, label) in zip(boxes[0], scores[0], labels[0]): # filter out weak detections if score < confidence: continue # convert the bounding box coordinates from floats to integers box = ("int") # build the label and draw the label + bounding box on the output # image labeli = label label = "{}: {:.2f}".format(LABELS[label], score) print(label) if LABELS[labeli] not in label_out: (LABELS[labeli]) (output, (box[0], box[1]), (box[2], box[3]), (255, 0, 0), 12) print(box[0]) print(box[1]) print(box[2]) print(box[3]) #result (output, label, (box[0], box[1] - 10), , , (255, 1, 1), 12)(figsize=(20, 20))(output)()
如果检测的表格，模型会在边界框（bounding box）标出表格边框:
边界框坐标（x1，y1，x2，y2），将table_area输入到Camelot read_pdf函数中，table_area是已标准化的边界框。
interesting_areas=[]output = [[x1, y1, x2, y2]]for x in output: [x1, y1, x2, y2] = bboxes_pdf(img, pdf_page, x) bbox_camelot = [ ",".join([str(x1), str(y1), str(x2), str(y2)]) ][0] # x1,y1,x2,y2 where (x1, y1) -> left-top and (x2, y2) -> right-bottom in PDF coordinate space #print(bbox_camelot) (bbox_camelot)print(interesting_areas)output_camelot = ( filepath=pdf_file, pages=str(pg), flavor="stream", table_areas=interesting_areas)output_camelot[0].df 这样就可以将表格数据转化为Panda数据框架，方便后续处理:
针对扫描图片格式的PDF表格，可以使用Ocrmypdf包来将图片格式PDF转为文本格式。
Ocrmypdf是一个python软件包，可将基于图像的pdf转换为基于文本的PDF。
安装ocrmypdf，可以通过以下命令行将其用于macOS和Linux:
brew install ocrmypdf
通过以下命令调用:
ocrmypdf
之后就可以按照上面的方法进行表格提取了。
怎么样，这款兼容图片，又能白嫖谷歌GPU的PDF表格工具对你有帮助吗？
传送门
项目地址:
/ferrygun/PDFTableExtract
在线打标签工具:
/