pdf表格提取

最新推荐文章于 2025-03-24 14:38:31 发布
最新推荐文章于 2025-03-24 14:38:31 发布
阅读量2.5k 收藏 7
点赞数 1
分类专栏： 图像识别成excel
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pinkuang3943/article/details/119610920
版权

引用地址：https://github.com/PaddlePaddle/PaddleOCR

PP-Structure

PP-Structure是一个可用于复杂文档结构分析和处理的OCR工具包，主要特性如下：

  • 支持对图片形式的文档进行版面分析，可以划分文字、标题、表格、图片以及列表5类区域（与Layout-Parser联合使用）
  • 支持文字、标题、图片以及列表区域提取为文字字段（与PP-OCR联合使用）
  • 支持表格区域进行结构化分析，最终结果输出Excel文件
  • 支持python whl包和命令行两种方式，简单易用
  • 支持版面分析和表格结构化两类任务自定义训练

2. 安装

2.1 安装依赖

  • （1) 安装PaddlePaddle
  • pip3 install --upgrade pip

# GPU安装
python3 -m pip install paddlepaddle-gpu==2.1.1 -i https://mirror.baidu.com/pypi/simple

# CPU安装
 python3 -m pip install paddlepaddle==2.1.1 -i https://mirror.baidu.com/pypi/simple

  • (2) 安装 Layout-Parser
  • pip3 install -U https://paddleocr.bj.bcebos.com/whl/layoutparser-0.0.0-py3-none-any.whl

  • 2.2 安装PaddleOCR（包含PP-OCR和PP-Structure）

  • （1) PIP快速安装PaddleOCR whl包（仅预测）
  • pip install "paddleocr>=2.2" # 推荐使用2.2+版本
  • 需要注意！！！ 上面安装的paddleocr自带的pyclipper版本为1.3，版本太高，可能出现导入时候运行异常！！需要去github上下载版本为1.2.0的，卸载原版本重新安装即可。附个github链接：https://github.com/fonttools/pyclipper/releases
  • 若在pycharm上安装上述版本的pyclipper，步骤见：https://www.cnblogs.com/zhuge134/p/10878715.html
  • 或者搜索关键字：pycharm从本地离线添加模块
  • （2) 完整克隆PaddleOCR源码（预测+训练）
  • 【推荐】git clone https://github.com/PaddlePaddle/PaddleOCR

#如果因为网络问题无法pull成功，也可选择使用码云上的托管：
git clone https://gitee.com/paddlepaddle/PaddleOCR

#注：码云托管代码可能无法实时同步本github项目更新，存在3~5天延时，请优先使用推荐方式。

  • 3. PP-Structure 快速开始

    3.1 命令行使用（默认参数，极简）

    paddleocr --image_dir=../doc/table/1.png --type=structure

    3.2 Python脚本使用（自定义参数，灵活）

  • import os
import cv2
from paddleocr import PPStructure,draw_structure_result,save_structure_res
table_engine = PPStructure(show_log=True)
save_folder = './output/table'
img_path = '../doc/table/1.png'
img = cv2.imread(img_path)
result = table_engine(img)
save_structure_res(result, save_folder,os.path.basename(img_path).split('.')[0])
for line in result:
    line.pop('img')
    print(line)
from PIL import Image
font_path = '../doc/fonts/simfang.ttf' # PaddleOCR下提供字体包
image = Image.open(img_path).convert('RGB')
im_show = draw_structure_result(image, result,font_path=font_path)
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

    3.3 返回结果说明

    PP-Structure的返回结果为一个dict组成的list，示例如下

  • [
  {   'type': 'Text',
      'bbox': [34, 432, 345, 462],
      'res': ([[36.0, 437.0, 341.0, 437.0, 341.0, 446.0, 36.0, 447.0], [41.0, 454.0, 125.0, 453.0, 125.0, 459.0, 41.0, 460.0]],
                [('Tigure-6. The performance of CNN and IPT models using difforen', 0.90060663), ('Tent  ', 0.465441)])
  }
]

    dict 里各个字段说明如下

    字段说明
    type图片区域的类型
    bbox图片区域的在原图的坐标，分别[左上角x，左上角y，右下角x，右下角y]
    res图片区域的OCR或表格识别结果。
    表格: 表格的HTML字符串;
    OCR: 一个包含各个单行文字的检测坐标和识别结果的元组

    3.4 参数说明

    字段说明默认值
    outputexcel和识别结果保存的地址./output/table
    table_max_len表格结构模型预测时，图像的长边resize尺度488
    table_model_dir表格结构模型 inference 模型地址None
    table_char_type表格结构模型所用字典地址../ppocr/utils/dict/table_structure_dict.tx

    大部分参数和paddleocr whl包保持一致，见 whl包文档

    运行完成后，每张图片会在output字段指定的目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名名为表格在图片里的坐标。

  • 4. PP-Structure Pipeline介绍

    在PP-Structure中，图片会先经由Layout-Parser进行版面分析，在版面分析中，会对图片里的区域进行分类，包括文字、标题、图片、列表和表格5类。对于前4类区域，直接使用PP-OCR完成对应区域文字检测与识别。对于表格类区域，经过表格结构化处理后，表格图片转换为相同表格样式的Excel文件。

    4.1 版面分析

    版面分析对文档数据进行区域分类，其中包括版面分析工具的Python脚本使用、提取指定类别检测框、性能指标以及自定义训练版面分析模型，详细内容可以参考文档。

    4.2 表格识别

    表格识别将表格图片转换为excel文档，其中包含对于表格文本的检测和识别以及对于表格结构和单元格坐标的预测，详细说明参考文档

    5. 预测引擎推理（与whl包效果相同）

    使用如下命令即可完成预测引擎的推理

    cd ppstructure

# 下载模型
mkdir inference && cd inference
# 下载超轻量级中文OCR模型的检测模型并解压
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_det_infer.tar && tar xf ch_ppocr_mobile_v2.0_det_infer.tar
# 下载超轻量级中文OCR模型的识别模型并解压
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_rec_infer.tar && tar xf ch_ppocr_mobile_v2.0_rec_infer.tar
# 下载超轻量级英文表格英寸模型并解压
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_table_structure_infer.tar && tar xf en_ppocr_mobile_v2.0_table_structure_infer.tar
cd ..

python3 predict_system.py --det_model_dir=inference/ch_ppocr_mobile_v2.0_det_infer --rec_model_dir=inference/ch_ppocr_mobile_v2.0_rec_infer --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer --image_dir=../doc/table/1.png --rec_char_dict_path=../ppocr/utils/ppocr_keys_v1.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --rec_char_type=ch --output=../output/table --vis_font_path=../doc/fonts/simfang.ttf

    运行完成后，每张图片会在output字段指定的目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名名为表格在图片里的坐标。

    Model List

    LayoutParser 模型

    模型名称模型简介下载地址
    ppyolov2_r50vd_dcn_365e_publaynetPubLayNet 数据集训练的版面分析模型，可以划分文字、标题、表格、图片以及列表5类区域PubLayNet
    ppyolov2_r50vd_dcn_365e_tableBank_wordTableBank Word 数据集训练的版面分析模型，只能检测表格TableBank Word
    ppyolov2_r50vd_dcn_365e_tableBank_latexTableBank Latex 数据集训练的版面分析模型，只能检测表格TableBank Latex

    OCR和表格识别模型

    模型名称模型简介推理模型大小下载地址
    ch_ppocr_mobile_slim_v2.0_detslim裁剪版超轻量模型，支持中英文、多语种文本检测2.6M推理模型 / 训练模型
    ch_ppocr_mobile_slim_v2.0_recslim裁剪量化版超轻量模型，支持中英文、数字识别6M推理模型 / 训练模型
    en_ppocr_mobile_v2.0_table_detPubLayNet数据集训练的英文表格场景的文字检测4.7M推理模型 / 训练模型
    en_ppocr_mobile_v2.0_table_recPubLayNet数据集训练的英文表格场景的文字识别6.9M推理模型 / 训练模型
    en_ppocr_mobile_v2.0_table_structurePubLayNet数据集训练的英文表格场景的表格结构预测18.6M推理模型 / 训练模型

    如需要使用其他模型，可以在 model_list 下载模型或者使用自己训练好的模型配置到det_model_dir,rec_model_dir,table_model_dir三个字段即可。

Python处理PDF及生成多层PDF实例代码
09-21
Python提供了众多的PDF支持库，本篇文章主要介绍了Python处理PDF及生成多层PDF实例代码，这样就能够实现图片扫描上来的内容也可以进行内容搜索的目标
pdf 表格提取
12-05
首先，我们需要了解PDF表格提取的基本原理。在PDF文件中，表格通常以图形元素的形式存在，这意味着它们并不像在电子表格软件中那样是可编辑的数据结构。因此，提取表格信息通常涉及到光学字符识别（OCR，Optical ...
[paddleocr]ppstructure基于Python预测引擎推理
futureflsl的博客
06-24 1021
目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名为表格在图片里的坐标。目录下有一个同名目录，图片区域会被裁剪之后保存下来，图片名为表格在图片里的坐标。目录下有一个同名目录，表格会存储为一个excel，excel文件名为。# 下载PP-StructureV2表格识别模型并解压。目录下有一个同名目录，目录中存放可视化图片和预测结果。目录下存放可视化之后的图片，图片名和输入图片名一致。# 下载PP-OCRv3文本识别模型并解压。
PP-Structure—表格数据提取
顺其自然~专栏
02-20 2266
这里用的表格识别模型是下面的第三个ppstructure_mobile_v2，是目前最好的性能评估是这样的，在 PubTabNet[1] 评估数据集上的TEDS高达95.89%TEDS: 模型对表格信息还原的准确度，此指标评价内容不仅包含表格结构，还包含表格内的文字内容。文本检测模型和文本识别模型也是最新的按理说识别效果应该是很好的，然而我的数据是这样的识别出来是这样的，有的空行不能很好的识别，有的数据会挤在一行（上面和下面的图不是对应的，只是说一下问题）
深度学习篇---PaddleOCR
道阻且长，行则将至。
03-24 1156
本文简单介绍一下PaddleOCR这款百度旗下的PaddlePaddle框架下的文本识别工具包。
PaddleOCR实现对表格的提取
zcc_0015的专栏
01-21 5716
paddleocr， 图像识别，表格提取
PaddleOCR 文字识别、表格提取 docker服务化部署（PaddleHub Serving）
zhoushanmin的博客
09-14 482
hubserving服务部署目录下包括文本检测、文本方向分类，文本识别、文本检测+文本方向分类+文本识别3阶段串联，版面分析、表格识别和PP-Structure七种服务包，可以按需安装使用，使用前需要下载对应模型并进行配置，以下已文本检测+文本方向分类+文本识别3阶段串联服务(ocr_system)和表格识别(structure_table)为例进行说明。阿里云 https://mirrors.aliyun.com/pypi/simple/| -m | 指定启动的服务名称，多个用空格隔开 |
由Python生成的PDF表格提取工具
04-21
python打包生成exe文件，可以用于提取与当前exe文件同目录的所有PDF文件中的表格，之后生成相同名字的excel表格，PDF中没有表格就不会生成
Python自动化办公：PDF表格提取优化.pdf
最新发布
04-26
文档支持目录章节跳转同时还支持阅读器左侧大纲显示和章节快速定位，文档内容完整、条理清晰。文档内所有文字、图表、函数、目录等元素均显示正常，无任何异常情况，敬请您放心查阅与使用。文档仅供学习参考，请勿...
traprange:（Java）从PDF文件提取表格内容的方法
05-05
TrapRange：一种提取PDF文件中的表内容的方法 资料来源： : 更新 从命令行运行。 键入java -jar traprange.latest.jar -h获得帮助，或查看文件test-command-line.sh示例 介绍 表数据结构是文档中最重要的数据结构...
Python 应用程序代码-Python实现PDF表格提取 Camelot
07-19
本主题聚焦于使用Python库Camelot进行PDF表格数据的提取，这是一项非常实用的技术，尤其对于需要处理大量PDF文档中的结构化信息的场景。 Camelot是一个专门用于从PDF文件中提取表格数据的Python库，它支持多种输出...
已解决ModuleNotFoundError: No module named ‘PIL‘
热门推荐
努力让自己发光，对的人才能迎着光而来
08-16 5万+
已解决ModuleNotFoundError: No module named ‘PIL’
完全支持双层PDF！开源的PDF分离与合并软件，C#版本（转自codeproject）
净心编程
02-10 9534
原文出自: http://www.codeproject.com/csharp/giospdfsplittermerger.asp   GIOS PDF Splitter and Merger Download C# .NET 1.1 project with source code - 36.8 Kb This is a screenshot
PP-Structure 文档分析_2
m0_60657960的博客
04-08 2138
PP-Structure是PaddleOCR团队自研的智能文档分析系统，旨在帮助开发者更好的完成版面分析、表格识别等文档理解相关任务。PP-StructureV2系统流程图如下所示，文档图像首先经过图像矫正模块，判断整图方向并完成转正，随后可以完成版面信息分析与关键信息抽取2类任务。
windows10通过anaconda安装paddle和paddleOCR并将图片转为excel
qq_39898066的博客
03-17 5682
首先安装anaconda，详细流程：直接在其官网下载即可直接默认安装即可。 然后进入anaconda的prompt窗口 在该窗口中创建paddle的虚拟环境，python版本为3.7，详细流程：直接在窗口中输入该命令语句即可conda create --name paddlepython=3.7 创建好虚拟环境后，通过activate激活环境 如何进入百度飞浆的官网 根据本机的CUDA版本进行选择，可以选择比自己版本低的。CUDA的版本查看详...
paddleocr：使用自己的模型推理
静谧、淡雅
01-14 1876
训练文字检测模型： https://blog.csdn.net/wss794/article/details/122471725?spm=1001.2014.3001.5501 训练文字识别模型： https://blog.csdn.net/wss794/article/details/122451815?spm=1001.2014.3001.5501 使用自己训练的模型推理： python tools/infer/predict_system.py --image_dir="./doc/imgs/test
[paddleocr]ppstructure版面分析
futureflsl的博客
06-24 3342
版面分析指的是对图片形式的文档进行区域划分，定位其中的关键区域，如文字、标题、表格、图片等。版面分析算法基于的轻量模型PP-PicoDet进行开发，包含英文、中文、表格版面分析3类模型。
PP-Structure试用指南
LooCeng的博客
06-07 757
最快实现图片转Excel指南
paddleocr pp-structurev2使用教程
05-30
PaddleOCR PP-Structurev2是一个基于PaddlePaddle深度学习框架的OCR工具，可以实现文字识别、表格识别、印章识别等功能。以下是PP-Structurev2的使用教程： 1. 安装PaddleOCR 首先需要安装PaddleOCR。可以使用以下命令进行安装： ``` pip install paddleocr ``` 2. 下载PP-Structurev2模型 PP-Structurev2依赖于特定的模型，需要下载对应的模型文件。可以从PaddleOCR的GitHub仓库中下载： ``` git clone https://github.com/PaddlePaddle/PaddleOCR.git cd PaddleOCR wget https://paddleocr.bj.bcebos.com/PP-Structure_v2/ch/ch_ppocr_server_v2.0_rec_infer.tar wget https://paddleocr.bj.bcebos.com/PP-Structure_v2/ch/ch_ppocr_mobile_v2.0_cls_infer.tar wget https://paddleocr.bj.bcebos.com/PP-Structure_v2/ch/ch_ppocr_mobile_v2.0_det_infer.tar tar xf ch_ppocr_server_v2.0_rec_infer.tar tar xf ch_ppocr_mobile_v2.0_cls_infer.tar tar xf ch_ppocr_mobile_v2.0_det_infer.tar ``` 3. 使用PP-Structurev2 使用PP-Structurev2需要先加载模型。可以使用以下代码加载模型： ``` import paddleocr ocr = paddleocr.OCR( det_model_dir='ch_ppocr_mobile_v2.0_det_infer', rec_model_dir='ch_ppocr_server_v2.0_rec_infer', cls_model_dir='ch_ppocr_mobile_v2.0_cls_infer', use_angle_cls=True, lang='ch' ) ``` 加载模型后，就可以使用PP-Structurev2进行文字识别、表格识别、印章识别等操作。以下是一些示例代码： ``` # 文字识别 result = ocr.ocr('example.jpg') for line in result: print(line) # 表格识别 result = ocr.table_ocr('example.jpg') for table in result: for row in table: print(row) # 印章识别 result = ocr.seal_ocr('example.jpg') print(result) ``` 以上就是PP-Structurev2的使用教程。需要注意的是，PP-Structurev2的模型文件比较大，下载和加载模型可能需要花费一些时间。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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