一行代碼從PDF提取Excel文件

最近幾天，paddleOCR開發了新的功能，通過將圖片中的表格提取出來，效果還不錯，今天，作者按照步驟測試了一波。

 

首先，講下這個工具是干什么用的：它的功能主要是針對一張完整的PDF圖片，可以對文檔圖片中的文本、表格、圖片、標題與列表區域進行分類。同時還可以利用表格識別技術完整地提取表格結構信息，使得表格圖片變為可編輯的Excel文件。如下圖所示可以進行版面分析+表格識別。

 

 

核心技術在於兩個：一個是PP-Structure的版面分析技術，另一個是PaddleDetection開源的高效檢測算法PP-YOLO v2。

PP-Structure Pipeline介紹：

 

下面作者按照官網的說明進行安裝(https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.2/ppstructure/README_ch.md)：

#step1: 首先需要安裝paddle
# GPU安裝
python -m pip install paddlepaddle-gpu==2.1.1 -i https://mirror.baidu.com/pypi/simple

# CPU安裝（作者在這里使用CPU安裝）
 python -m pip install paddlepaddle==2.1.1 -i https://mirror.baidu.com/pypi/simple

#step2：安裝 Layout-Parser
pip  install -U https://paddleocr.bj.bcebos.com/whl/layoutparser-0.0.0-py3-none-any.whl

#step3：安裝PaddleOCR（包含PP-OCR和PP-Structure）
pip install "paddleocr>=2.2"

這樣就算安裝好了，但是途中會有一些報錯信息，一個是 "ImportError: DLL load failed: 找不到指定的模塊。" ，在查閱了相關的資料之后，發現重新安裝也沒有用，作者是通過安裝舊版本的軟件，就解決了這個問題。另一個報錯，是cv2.imread讀取圖像結果為none,這個錯誤是由於你的路徑中有中文字體，全部修改為英文的即可。

接下來就是運行主要的程序代碼，

import os
import cv2
from paddleocr import PPStructure,draw_structure_result,save_structure_res

table_engine = PPStructure(show_log=True)

#你的文件結果目錄
save_folder = 'C:/Users/hp/Desktop/pdf_ocr/output/table'

#輸入的圖片
img_path = 'C:/Users/hp/Desktop/pdf_ocr/table/5.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

#字體路徑，可以從paddleOCR的github上面下載
font_path = 'C:/Users/hp/Desktop/pdf_ocr/fonts/simfang.ttf' 

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')

運行完成后，每張圖片會在output字段指定的目錄下有一個同名目錄，圖片里的每個表格會存儲為一個excel，圖片區域會被裁剪之后保存下來，excel文件和圖片名名為表格在圖片里的坐標。

 這樣，就可以看到識別出來的excel表格了。

 

 

 

參考資料：

1、https://mp.weixin.qq.com/s?__biz=MzUzODkxNzQzMw==&mid=2247491570&idx=1&sn=09eabf5ac6679dd785a316690869fd0d&chksm=fad130a4cda6b9b21be478a07f6a3c5ad4e40baf689317767346e61df611a5e8a878929ff209&mpshare=1&scene=1&srcid=0810NrT1vbTrqxIvWoU9AnBj&sharer_sharetime=1628553672500&sharer_shareid=546bd079429f4880a353b991a015fc00&key=65026dce4f4248b55f4903e0445572eb42dbc3a5832201e1d7e729561e5077b72e2a874681641c9743f5b5b99cd5eb608fb71514d56970623a0ac1922a19d505fd46d7f45b0971d9d8e46315178b4ae88f0eb8067c1a1b4053aa027d64b5d0bee4a68ebce3fd0d2473264f8fd5fd1cd76c74763a0070b499db907e7ad0ac766d&ascene=1&uin=NjQ3MTEwMDA1&devicetype=Windows+10+x64&version=6209007b&lang=zh_CN&exportkey=AWZ05MZsgkPJNBjok6heBaI%3D&pass_ticket=UwQ2CEB3lWMMEaQsVFjIb43GL8ytB91uf64qzznTito5hFbvyA3WtFS%2Bnk3KQZju&wx_header=0

2、https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.2/ppstructure/README_ch.md

3、https://blog.csdn.net/blueheart20/article/details/80985132

4、https://blog.csdn.net/weixin_39866966/article/details/111209027