神经网络提取PDF表格工具来了，支持图片，还能白嫖谷歌GPU资源

贾浩楠 2020-07-28 13:37:17 来源：量子位

贾浩楠 发自 凹非寺
量子位 报道 | 公众号 QbitAI

“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。

测试实例

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？

使用姿势详解

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

训练Keras-RetinaNet识别表格

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

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：

图片怎么办

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？

传送门

项目地址：
https://github.com/ferrygun/PDFTableExtract

在线打标签工具：
https://www.makesense.ai/