使用camelot从pdf中提取表格，如果页面是imagebase，则使用ocr进行提取
pdf2tables的Python项目详细描述
Pdf表格抽取
安装
pip install pdf2tables
简介
camelot是一个很棒的pdf表格数据抽取库，但遗憾的是它不能处理基于图片的pdf表格。pdf2tables是对camelot的一个补充，pdf中能够使用camelot抽取的表格，用camelot抽取，而camelot处理不了的图片，则使用ocr的方式识别处理。
版权
pdf2talbes使用了部分 @lxj0276 处理图片表格的代码 github tableDetect。以及SongpingWang发表的文章OpenCV—Python 表格提取 中的代码(版权声明：此文为博主SongpingWang原创文章，遵循CC BY-SA 4.0版权协议，转载请附上原文出处链接和本声明)，向两位表示感谢。
使用方式
注意
opencv2读取或写入图像文件时不支持中文，因此有关文件路径的参数请全部使用中文
环境需求
pdf2tables需要安装以下软件才能正常运行
- python3.7
- tesseract tesseract下载，安装完毕后进需要将安装目录放入环境变量中，并保证命令行中tesseract -v可以打印出版本信息
- 阿里云表格识别接口 点击此处了解阿里云ocr 表格识别详情
ocr识别时，tesseract与aliyun可以任选其一，tesseract免费但速度较慢，aliyun速度快但需要付费（前500条免费）。
使用方式
# 示例：frompdf2tablesimportpdf_tablesimgOcrSettings={'pytesseract_kernel':np.ones((4,4),np.uint8),'pytesseract_bin_threshold':127,'pytesseract_iterations':1,# 单元格面积范围，决定哪些单元格会被选中'pytesseract_areaRange':[10000,100000],'pytesseract_isDebug':False,# 单元格边框，用来更精确地获取文本'pytesseract_border':10,'img_ocr_type':ImgOcrType.Pytesseract,'aliyun_appcode':'b8f41a5f9b664a45af2bc9f58666a17e'}tables=extract('C:/pdf2tables/test_data/Jan-2010.pdf',lang='eng+tha',**imgOcrSettings)
配置说明
示例imgOcrSettings配置中：
- pytesseract前缀的为使用tesseract的配置，在
img_ocr_type等于ImgOcrType.Pytesseract时生效。 - aliyun前缀的为aliyun配置
pdf2tables会将ocr配置传递到image_tables模块中，配置使用前缀进行区分，如果使用aliyun，则可以忽略所有pytesseract配置，反过来也一样。
返回结果
表格抽取完毕后，返回PageTable列表, PageTable定义如下
@dataclassclassPageTable:''' 表格抽取结果类 '''# 页数page:int# 数据列表datas:[]# 本页文本text:str
Debug
示例imgOcrSettings配置中，如果isDebug设置为True，那么image_tables模块将会显示待分割抓取的图片，并将其保存在硬盘上。
例如：
图片中绿色的边框为单元格，红色圆点为数据数组的标识，如果单元格有未被识别的情况，表现为某些单元格没有绿色边框包围，那么需要调整pytesseract_areaRange参数，让所有的表格都能够被绿色边框包围。
image_tables模块
image_tables模块是使用tesseract抽取图片表格数据的模块，它会查找图片中的表格范围，截取表格为新图片，然后按单元格切分表格，最后将单元格图片中的文字识别出来。识别后的文字会按单元格的顺序存放。
主要方法：
- def detect_table(img): 检查表格，返回网格图和网格坐标图
- find_table(img, mask_img, save=False, save_dir=None): 查找表格，根据网格图找到表格轮廓，如果save=True，那么会将找到的表格保存为图片
- find_joint_points(joint): 查找网格坐标点，根据返回的结果可以产生数据数组
- class cutImage(object): 截取单元格的类
- get_text(self): 截取单元格为小图片并将其中的文本
aliyun_tables模块
使用阿里云接口抽取表格数据
- 项目
标签：
欢迎加入QQ群-->： 979659372
