Python实操 PDF自动识别并提取Excel文件

最近几天，paddleOCR开发了新的功能，通过将图片中的表格提取出来，效果还不错，今天，作者按照步骤测试了一波。

首先，讲下这个工具是干什么用的：它的功能主要是针对一张完整的PDF图片，可以对文档图片中的文本、表格、图片、标题与列表区域进行分类。同时还可以利用表格识别技术完整地提取表格结构信息，使得表格图片变为可编辑的Excel文件。如下图所示可以进行版面分析+表格识别。

核心技术在于两个：一个是PP-Structure的版面分析技术，另一个是PaddleDetection开源的高效检测算法PP-YOLO v2。

PP-Structure Pipeline介绍：

下面作者按照官网的说明进行安装(https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.2/ppstructure/README_ch.md)：

#step1: 首先需要安装paddle

GPU安装

python -m pip install paddlepaddle-gpu==2.1.1 -i https://mirror.baidu.com/pypi/simple

CPU安装（作者在这里使用CPU安装）

python -m pip install paddlepaddle==2.1.1 -i https://mirror.baidu.com/pypi/simple

#step2：安装 Layout-Parser

pip install -U https://paddleocr.bj.bcebos.com/whl/layoutparser-0.0.0-py3-none-any.whl

#step3：安装PaddleOCR（包含PP-OCR和PP-Structure）

pip install "paddleocr>=2.2"

这样就算安装好了，但是途中会有一些报错信息，一个是 "ImportError: DLL load failed: 找不到指定的模块。" ，在查阅了相关的资料之后，发现重新安装也没有用，作者是通过安装旧版本的软件，就解决了这个问题。另一个报错，是cv2.imread读取图像结果为none,这个错误是由于你的路径中有中文字体，全部修改为英文的即可。

接下来就是运行主要的程序代码，

1 import os
 2 import cv2
 3 from paddleocr import PPStructure,draw_structure_result,save_structure_res
 4 
 5 table_engine = PPStructure(show_log=True)
 6 
 7 #你的文件结果目录
 8 save_folder = 'C:/Users/hp/Desktop/pdf_ocr/output/table'
 9 
10 #输入的图片
11 img_path = 'C:/Users/hp/Desktop/pdf_ocr/table/5.png'
12 img = cv2.imread(img_path)
13 
14 result = table_engine(img)
15 save_structure_res(result, save_folder,os.path.basename(img_path).split('.')[0])
16 
17 for line in result:
18     line.pop('img')
19     print(line)
20 
21 from PIL import Image
22 
23 #字体路径，可以从paddleOCR的github上面下载
24 font_path = 'C:/Users/hp/Desktop/pdf_ocr/fonts/simfang.ttf'

25 image = Image.open(img_path).convert('RGB')
26 im_show = draw_structure_result(image, result,font_path=font_path)
27 im_show = Image.fromarray(im_show)
28 im_show.save('result.jpg')

运行完成后，每张图片会在​​output​​字段指定的目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名名为表格在图片里的坐标。

这样，就可以看到识别出来的excel表格了。