如何从历史PDF中提取表格？

Question

我需要从file的类似格式的表中提取数据。有一些OCR错误，但我有一种自动方法来纠正它们。

我尝试过：

• ABBYY Finereader表检测。
• 塔布拉表提取
• 卡米洛特表提取
• 自定义python code

问题：广告工具在检测桌子边缘时效果很差。这些表格遵循类似的通用格式，但是每次扫描的对齐方式略有不同，因此对寄宿生进行硬编码也不起作用。

问题：你们知道一种检测表开始位置然后应用一些模板之一的好方法吗？

对于此类工作的其他任何提示，我们将不胜感激。

Answer 1

更新2/26： 我可以解决我自己的问题，尽管可以使用快速或更好的解决方案进行响应。

主要问题之一是表的尺寸大致相似，但页面之间存在差异。扫描的图像在页面之间也略有偏移，从而出现两个对齐问题。我当前的工作流程可以同时解决这两个问题。

表格类型对齐

解决方案：

1. 使用ABBYY中的图像编辑工具水平剪切每页。这样每页上都有一张表格。
2. 请注意，有4种表格类型。偶数页和奇数页具有单独的布局。每页的第一个表格都包含一个日期字段。
3. 给出第一个表偶数，第一个表奇数，reg表偶数，reg表奇数。使用固定的表区域和列一次处理一种类型，可以解决由于表布局不同而导致的对齐问题。

图像对齐

相同表格类型的图像仍未对齐，因此无法在（x，y）坐标中指定表格布局。每个图片中的表格位置都不同。

我需要根据桌子的位置对齐图像，但是没有检测到桌子，就没有很好的方法。

我以一种有趣的方式解决了这个问题，但是我首先尝试了以下步骤。

1. 使用Opencv检测垂直线。结果：没有很好地检测到模糊的线条。经常会错过一些行，使其无法对齐。
2. 使用“扫描裁缝”检测内容。结果：由于图像中的斑点，检测算法会在某些文件中过多裁剪某些表，而在其他文件中则包含空白。去除斑点没有帮助。
3. 使用具有宽表区域的Camelot，没有列值。结果：这在其他情况下可能效果很好，但是Camelot在这里失败了。报告的数据低至美分，每三位数之间有空格。这导致00在几列中错位。

解决方案：

将图像切成表格类型对齐部分中介绍的表格后，请使用Photoshop中的“自动对齐图层”功能对齐图像。

分步解决方案：

1. 打开Photoshop
2. 使用以下方式将一种表类型的图像加载到单个文件中：文件脚本-将文件加载到堆栈中
3. 使用：编辑-自动对齐图层
4. 使用裁剪工具使每个文件的大小相同。
5. 将每个图像导出为自己的文件：File-Export-Layers到文件
6. 对四种表类型分别使用ABBYY OCR编辑器，并使用GUI编辑器对列和行进行硬编码。
7. 从ABBYY导出为CSV
8. 使用类似clean.py之类的东西来删除空格和错误字符。

完成！根据需要合并每个表的文件。完成项目后，我将发布用于执行此操作的python代码。清理后，我也将发布数据。

Answer 2

https://www.pdftron.com/pdf-tools/pdf-table-extraction/

上有免费的在线工具。

相关博客https://www.pdftron.com/blog/parsing-extraction/table-extraction-and-pdf-to-xml-with-pdfgenie/引用了PDFGenie命令行工具

Answer 3

代替Camelot table_areas参数（它指定固定边界），您可以尝试使用table_regions参数指定表可能所在的区域（Camelot将仅分析指定区域以查找表）。

https://camelot-py.readthedocs.io/en/master/user/advanced.html#specify-table-regions

请及时通知我们。