📊 表格结构识别

简介

💖该仓库是用来对文档中表格做结构化识别的推理库，包括来自paddle的表格识别模型， 阿里读光有线和无线表格识别模型，llaipython(微信)贡献的有线表格模型，网易Qanything内置表格分类模型等。

特点

⚡ 快 采用ONNXRuntime作为推理引擎，cpu下单图推理1-7s

🎯 准: 结合表格类型分类模型，区分有线表格，无线表格，任务更细分，精度更高

🛡️ 稳: 不依赖任何第三方训练框架，只依赖必要基础库，避免包冲突

效果展示

指标结果

TableRecognitionMetric 评测工具 评测数据集 Rapid OCR

方法	TEDS
lineless_table_rec	0.53561
RapidTable	0.58786
wired_table_rec v1	0.70279
wired_table_rec v2	0.78007
table_cls + wired_table_rec v1 + lineless_table_rec	0.74692
table_cls + wired_table_rec v2 + lineless_table_rec	0.80235

安装

pip install wired_table_rec lineless_table_rec table_cls

快速使用

import os

from lineless_table_rec import LinelessTableRecognition
from lineless_table_rec.utils_table_recover import format_html, plot_rec_box_with_logic_info, plot_rec_box
from table_cls import TableCls
from wired_table_rec import WiredTableRecognition

lineless_engine = LinelessTableRecognition()
wired_engine = WiredTableRecognition()
table_cls = TableCls()
img_path = f'images/img14.jpg'

cls,elasp = table_cls(img_path)
if cls == 'wired':
    table_engine = wired_engine
else:
    table_engine = lineless_engine
html, elasp, polygons, logic_points, ocr_res = table_engine(img_path)
print(f"elasp: {elasp}")

# output_dir = f'outputs'
# complete_html = format_html(html)
# os.makedirs(os.path.dirname(f"{output_dir}/table.html"), exist_ok=True)
# with open(f"{output_dir}/table.html", "w", encoding="utf-8") as file:
#     file.write(complete_html)
# # 可视化表格识别框 + 逻辑行列信息
# plot_rec_box_with_logic_info(
#     img_path, f"{output_dir}/table_rec_box.jpg", logic_points, polygons
# )
# # 可视化 ocr 识别框
# plot_rec_box(img_path, f"{output_dir}/ocr_box.jpg", ocr_res)

偏移修正

import cv2
img_path = f'tests/test_files/wired/squeeze_error.jpeg'
from wired_table_rec.utils import ImageOrientationCorrector
img_orientation_corrector = ImageOrientationCorrector()
img = cv2.imread(img_path)
img = img_orientation_corrector(img)
cv2.imwrite(f'img_rotated.jpg', img)

FAQ (Frequently Asked Questions)

1. 问：偏移的图片能够处理吗？

   • 答：该项目暂时不支持偏移图片识别，请先修正图片，也欢迎提pr来解决这个问题。

2. 问：识别框丢失了内部文字信息

   • 答：默认使用的rapidocr小模型，如果需要更高精度的效果，可以从 模型列表 下载更高精度的ocr模型,在执行时传入ocr_result即可

3. 问：模型支持 gpu 加速吗？

   • 答：目前表格模型的推理非常快，有线表格在100ms级别，无线表格在500ms级别， 主要耗时在ocr阶段，可以参考 rapidocr_paddle 加速ocr识别过程

TODO List

• 识别前图片偏移修正(完成有线表格小角度偏移修正)
• 增加数据集数量，增加更多评测对比
• 优化无线表格模型

处理流程

flowchart TD
    A[/表格图片/] --> B([表格分类 table_cls])
    B --> C([有线表格识别 wired_table_rec]) & D([无线表格识别 lineless_table_rec]) --> E([文字识别 rapidocr_onnxruntime])
    E --> F[/html结构化输出/]

Loading

致谢

PaddleOCR 表格识别

读光-表格结构识别-有线表格

读光-表格结构识别-无线表格

Qanything-RAG

非常感谢 llaipython(微信，提供全套有偿高精度表格提取) 提供高精度有线表格模型。

贡献指南

欢迎提交请求。对于重大更改，请先打开issue讨论您想要改变的内容。

请确保适当更新测试。

赞助

如果您想要赞助该项目，可直接点击当前页最上面的Sponsor按钮，请写好备注(您的Github账号名称)，方便添加到赞助列表中。

开源许可证

该项目采用Apache 2.0开源许可证。