安装 unstructured

0. unstructured 支持的文件类型

"csv", "doc", "docx", "epub", "image", "md", "msg", "odt", "org", "pdf", "ppt", "pptx", "rtf", "rst", "tsv", "xlsx"

1. 安装系统依赖

sudo apt install libmagic-dev poppler-utils tesseract-ocr libreoffice pandoc

2. 安装 python 模块

pip install "unstructured[all-docs]"

reference: https://docs.unstructured.io/open-source/installation/full-installation

3. 使用 unstructured 从PDF文件中提取表格的两种方法

方法1:使用partition_pdf

使用partition_pdf从PDF文件中提取表格,将infer_table_structure参数设置为True,将strategy参数设置为hi_res。

用法:

from unstructured.partition.pdf import partition_pdf

fname = "example-docs/layout-parser-paper.pdf"

elements = partition_pdf(filename=fname,
                         infer_table_structure=True,
                         strategy='hi_res',
           )

tables = [el for el in elements if el.category == "Table"]

print(tables[0].text)
print(tables[0].metadata.text_as_html)

方法2:使用Auto Partition

默认情况下,从所有文件类型中提取表格。使用Auto Partition或Unstructured API参数从PDF和图像中提取表格,只需将strategy参数设置为hi_res。

用法:

from unstructured.partition.auto import partition

filename = "example-docs/layout-parser-paper.pdf"

elements = partition(filename=filename,
                     strategy='hi_res',
           )

tables = [el for el in elements if el.category == "Table"]

print(tables[0].text)
print(tables[0].metadata.text_as_html)
  • 10
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值