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。
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?
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?https://github.com/fizyr/keras-retinanet?
同时需要安装必要的库:
pip?install?.python?setup.py?build_ext?—?inplace?
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makesense.ai。
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train.txt和test.txt中。
接下来,克隆Github项目https://github.com/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?build_logos.py?
运行上述命令后,会得到retinanet_classes.csv,retinanet_test.csv和retinanet_train.csv。
在retinanet_classses.csv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retinanet_classes.csv,retinanet_test.csv,retinanet_train.csv,train.txt和test.txt 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output.h5,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output.h5加载模型,并从retinanet_classes.csv定义标签class 0。
model_path?=?‘output.h5’model?=?models.load_model(model_path,?backbone_name=’resnet50’)labels?=?‘retinanet_classes.csv’LABELS?=?open(labels).read().strip().split(‘\n’)LABELS?=?{int(L.split(‘,’)[1]):?L.split(‘,’)[0]?for?L?in?LABELS}print(LABELS){0:?‘tabel’}?
接下来运行测试
import?numpy?as?npimport?cv2import?matplotlib.pyplot?as?pltimage_path?=?imgfname#image?=?cv2.imread(image_path)image?=?read_image_bgr(image_path)image?=?cv2.cvtColor(image,?cv2.COLOR_BGR2RGB)output?=?image.copy()output?=?cv2.cvtColor(output,?cv2.COLOR_BGR2RGB)print(output.shape)?#?row?(height)?x?column?(width)?x?color?(3)image?=?preprocess_image(image)(image,?scale)?=?resize_image(image)image?=?np.expand_dims(image,?axis=0)#?detect?objects?in?the?input?image?and?correct?for?the?image?scale(boxes,?scores,?labels)?=?model.predict_on_batch(image)boxes?/=?scaleconfidence?=??0.2from?google.colab.patches?import?cv2_imshowimport?matplotlib.pyplot?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?=?box.astype("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:??????label_out.append(LABELS[labeli])??????cv2.rectangle(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????????????cv2.putText(output,?label,?(box[0],?box[1]?-?10),?cv2.FONT_HERSHEY_SIMPLEX,?4.5,?(255,?1,?1),?12)plt.figure(figsize=(20,?20))plt.imshow(output)plt.show()?
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)??interesting_areas.append(bbox_camelot)print(interesting_areas)output_camelot?=?camelot.read_pdf(????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?input_file.pdf?output_file.pdf?
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?
项目地址: https://github.com/ferrygun/PDFTableExtract
在线打标签工具: https://www.makesense.ai/
领取专属 10元无门槛券
私享最新 技术干货