Python의 이미지에서 테이블 추출

Feb 28 2023

이미지에서 테이블을 추출하는 것은 특히 처리할 이미지가 많은 경우 지루하고 시간이 많이 걸리는 작업이 될 수 있습니다. 그러나 올바른 도구와 기술을 사용하면 이 프로세스를 자동화하고 빠르고 쉽게 이미지에서 테이블을 추출할 수 있습니다.

Python 이미지의 이미지에서 테이블 추출

이 기사에서는 Python을 사용하여 이미지에서 테이블을 추출하는 방법을 살펴봅니다. 샘플 코드 및 설명과 함께 이미지에서 테이블을 식별하고 추출하는 데 사용할 수 있는 라이브러리( img2table )를 다룰 것입니다. 스캔한 문서, 사진 또는 기타 유형의 이미지로 작업하는 경우 이 문서는 표를 효율적이고 정확하게 추출하는 데 필요한 도구와 지식을 제공합니다.

img2table이란 무엇입니까?

Img2Table은 OpenCV 이미지 처리를 기반으로 하고 널리 사용되는 대부분의 이미지 파일 형식 외에도 PDF 파일을 지원하는 테이블 추출 및 식별을 위한 간단하고 사용자 친화적인 Python 라이브러리입니다.

설계로 인해 특히 CPU 사용량에 대해 신경망 기반 솔루션에 대한 유용하고 덜 무거운 대안을 제공합니다.

다음 파일 형식을 지원합니다.

JPEG 파일 — .jpeg, .jpg, *.jpe
휴대용 네트워크 그래픽 — *.png
JPEG 2000 파일 — *.jp2
Windows 비트맵 — .bmp, .dib
WebP — *.webp
휴대용 이미지 형식 — .pbm, .pgm, .ppm .pxm, *.pnm
PFM 파일 — *.pfm
OpenEXR 이미지 파일 — *.exr

이미지 및 PDF 파일에 대한 표 셀 수준 경계 상자 및 표 식별.
병합된 셀과 같은 복잡한 테이블 구조를 처리합니다.
테이블 제목 추출.
OCR 도구 및 서비스를 지원하면서 테이블 콘텐츠를 추출합니다.
Pandas DataFrame 표현과 추출된 테이블을 나타내는 간단한 개체가 반환됩니다.
추출된 테이블을 Excel 파일로 내보내 원래 구조를 유지합니다.

구현

설치

다른 모든 Python 패키지와 마찬가지로 img2table은 pip.

pip install img2table

from img2table.document import Image
image = Image(src,dpi=200, detect_rotation=False)

예를 들어 보겠습니다.

from img2table.document import Image

# Instantiation of the image
img = Image(src="image.jpg")

# Table identification
imgage_tables = img.extract_tables()

# Result of table identification
imgage_tables

#output
[ExtractedTable(title=None, bbox=(10, 8, 745, 314),shape=(6, 3)),
 ExtractedTable(title=None, bbox=(936, 9, 1129, 111),shape=(2, 2))]

from img2table.document import PDF
pdf = PDF(src, dpi=200, pages=[0, 2])

OCR 작업

테이블의 내용을 구문 분석하기 위해 img2table다양한 OCR 도구 및 서비스에 대한 인터페이스를 제공합니다.

from img2table.ocr import TesseractOCR
ocr = TesseractOCR(n_threads=1, lang="eng", tessdata_dir="...")

참고: Tesseract-OCR을 사용하려면 사전 설치가 필요합니다.

한 가지 예를 살펴보겠습니다.

from img2table.document import PDF
from img2table.ocr import TesseractOCR

# Instantiation of the pdf
pdf = PDF(src="tablesfile.pdf")

# Instantiation of the OCR, Tesseract, which requires prior installation
ocr = TesseractOCR(lang="eng")

# Table identification and extraction
pdf_tables = pdf.extract_tables(ocr=ocr)

# We can also create an excel file with the tables
pdf.to_xlsx('tables.xlsx', ocr=ocr)

extract_tables문서의 방법을 사용하면 PDF 페이지 또는 이미지에서 여러 테이블을 동시에 추출할 수 있습니다 .

from img2table.ocr import TesseractOCR
from img2table.document import Image

# Instantiation of OCR
ocr = TesseractOCR(n_threads=1, lang="eng")

# Instantiation of document, either an image or a PDF
doc = Image(src, dpi=200)

# Table extraction
extracted_tables = doc.extract_tables(ocr=ocr,
                                      implicit_rows=True,
                                      borderless_tables=False,
                                      min_confidence=50)

결론

OpenCV -python 라이브러리와 OpenCV는 모두 모든 이미지 처리에 사용됩니다. 이미지에서 선을 인식하는 Hough Transform은 알고리즘의 기반이 됩니다. 이미지의 수평선과 수직선을 인식할 수 있습니다. 다른 접근 방식을 사용할 때 발생할 수 있는 잠재적인 합병증을 피하기 위해 가능한 한 간단하게 유지하는 것이 의도였기 때문에 라이브러리에는 실제로 더 많은 것이 없습니다.