Python受欢迎的原因之一就是其计算生态丰富，据不完全统计，Python 目前为止有约13万+的第三方库。
本系列将会陆续整理分享一些有趣、有用的第三方库。
-
通过百度网盘获取：
链接：https://pan.baidu.com/s/1FSGLd7aI_UQlCQuovVHc_Q?pwd=mnsj提取码：mnsj
-
前往GitHub获取：
https://github.com/returu/Python_Ecosystem-
识别图像（包括JPEG、PNG、WebP等）和PDF文件中的表格，包括单元级别的边界框。 -
支持多种OCR（光学字符识别）服务，以此来提取表内容。包括Tesseract、PaddleOCR、EasyOCR、Surya OCR以及云服务如Google Vision OCR和Azure OCR。 -
可以处理复杂的表格结构，如合并的单元格。 -
实现一种纠正图像偏斜和旋转的方法。 -
提取的表作为简单对象返回，包括 Pandas DataFrame 表示形式。 -
将提取的表导出到 Excel 文件的选项，保留其原始结构。
pip install img2table# 标准安装，支持Tesseract
pip install img2table
# 使用Paddle OCR
pip install img2table[paddle]: For usage with
# 使用EasyOCR
pip install img2table[easyocr]: For usage with
# 使用Surya OCR
pip install img2table[surya]: For usage with
# 使用Google Vision OCR
pip install img2table[gcp]: For usage with
# 使用AWS Textract OCR
pip install img2table[aws]: For usage with
# 使用Azure Cognitive Services OCR
pip install img2table[azure]: For usage with
（1）、创建OCR实例：
如果想提取表格的内容，则需要 OCR 工具。img2table 为多个 OCR 服务和工具提供了接口，以便解析表格内容。
例如，通过以下语句使用之前介绍过的EasyOCR：
from img2table.ocr import EasyOCRocr = EasyOCR(lang=["en"],kw={"kwarg": kw_value, ...})
其他OCR工具的使用可以查看官方文档。
（2）、实例化图像文件：
-
图像的实例化过程：
from img2table.document import Imageimage = Image(src, detect_rotation=False)
其中：
-
src：图像路径；
-
detect_rotation：设置是否检测和纠正图像的倾斜/旋转，默认为False。需要注意的是，当设置为 True 时，其他方法返回的图像坐标和边界框可能与原始图像不一致。
-
PDF文件的实例化过程：
from img2table.document import PDFpdf = PDF(src,pages=[0, 2],detect_rotation=False,pdf_text_extraction=True)
-
src：图像路径； -
pages：要处理的 PDF 页面索引列表， 如不设置则处理所有页面； -
detect_rotation：设置是否检测和纠正从PDF中提取的图像的倾斜/旋转；
-
pdf_text_extraction：是否从PDF文件中提取文本以获得原生PDF文本。
（3）、使用extract_tables()函数提取表格：
使用extract_tables() 函数方法，可以从 PDF 页面/图像中一次性提取多个表格。
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,implicit_columns=False,borderless_tables=False,min_confidence=50)
其中：
-
ocr : 用于解析文档文本的 OCR 实例；
-
implicit_rows :是否识别隐含行；
-
implicit_columns :是否识别隐含列；
-
borderless_tables :是否提取无边框表格 ；
-
min_confidence :OCR 处理文本的最低置信度，取值从 0（最差）到 99（最佳）。
Image 类中的 extract_tables 方法会返回一个 ExtractedTable 对象列表。
output = [ExtractedTable(...), ExtractedTable(...), ...]PDF 类中的 extract_tables 方法会返回一个以页面索引为键的 OrderedDict 对象和 ExtractedTable 对象列表。
output = {0: [ExtractedTable(...), ...],1: [],...last_page: [ExtractedTable(...), ...]}
可以通过以下方法获取指定对象的属性信息：
-
bbox : 表格边界框；
-
title :提取的表格标题；
-
content :以行索引为键、以 TableCell 对象列表为值的 Dict；
-
df :识别的表格的 Pandas DataFrame 对象；
-
html :识别的表格的 HTML 对象。
要访问单元格级别的边界框，可以使用以下代码片段：
for id_row, row in enumerate(table.content.values()):for id_col, cell in enumerate(row):x1 = cell.bbox.x1y1 = cell.bbox.y1x2 = cell.bbox.x2y2 = cell.bbox.y2value = cell.value
（4）、使用to_xlsx()函数将提取的表格导出到Excel文件：
使用to_xlsx()方法可以将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格组成一个工作表。 该方法中的参数与 extract_tables 方法相同。
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,implicit_columns=False,borderless_tables=False,min_confidence=50)
具体代码如下：
from img2table.document import Image
from img2table.ocr import EasyOCR
# 创建OCR实例
ocr = EasyOCR(lang=["ch_sim"])
# 实例化图像文件
image_path = 'test.png'
image = Image(image_path, detect_rotation=False)
# 提取表格
tables = image.extract_tables(ocr=ocr, implicit_rows=True, implicit_columns=True, borderless_tables=True)
# 将提取的表格导出到Excel文件
image.to_xlsx('output.xlsx', ocr=ocr, implicit_rows=True, implicit_columns=True, borderless_tables=True)
输出的excel表格如下所示。可以看到有些表格并未被识别，为了提升 OCR 的识别效果，可以预先对图像进行预处理（消除噪声、增强文字对比度、规范化排版等），本次就不做过多介绍。
另外，可以使用下述代码绘制识别到的表格边界框。
import cv2
from PIL import Image as PILImage
# Display extracted tables
table_img = cv2.imread("test.png")
for table in tables:
for row in table.content.values():
for cell in row:
cv2.rectangle(table_img, (cell.bbox.x1, cell.bbox.y1), (cell.bbox.x2, cell.bbox.y2), (255, 0, 0), 2)
PILImage.fromarray(table_img)
效果如下，可以看到表格识别的效果还是不错的。
更多内容，可以前往官方GitHub页面查看：
https://github.com/xavctn/img2table
本篇文章来源于微信公众号: 码农设计师
