本文在AI New Media Qubit（公共帐户ID：QbitAI）的授权下转载。如需转载，请联系来源。是``表兄弟和表兄弟''还在担心大量PDF文件中的表格吗？看看百度，互联网上有很多用于提取PDF表单的工具，但它们都仅支持文本格式的PDF。但是扫描的图像表呢？不用担心，使用深度神经网络来识别和提取表的开源工具可以为您提供帮助。与图片兼容，准确性高，并且不占用本地计算资源，这样的实用工具值得您拥有。测试示例如果在输入的PDF文件中检测到表格，该模型将在边框中标记表格边界：然后，表格数据将转换为Panda数据框以方便后续处理：怎么样，是否非常实际的？ ？如何使用这个工具？使用姿势来详细解释神经网络算法，而不占用本地计算资源？是的，您没听错，该工具的所有代码都可以在Google Colab上运行。换句话说，您可以使用Colab云资源来完成培训和推断，而无需本地安装。该工具使用的深度神经网络是Keras-RetinaNet。首先，必须在Colab上安装Keras-RetinaNet。它可以通过以下一行代码完成：git clone https://github.com/fizyr/keras-retinanet和必要的安装库：pip install .python setup.py build_ext —;首先就地培训Keras-RetinaNet识别表或建立一个培训数据库。这里使用Colab工具PDF2Img将PDF文件转换为JPG格式，以进行算法学习。然后将转换后的图片保存在“图像”文件夹中。接下来，您需要手动标记训练数据。在这里，建议使用在线标签工具makesense.ai。将XML注释文件保存在注释文件夹中，创建用于培训和测试的PDF文件列表，并将该列表导入train.txt和test.txt。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，您将获得retinanet_classes.csv，retinanet_test.csv和retinanet_train.csv。在retinanet_classses.csv中，由于只能识别PDF文档中的表，因此只有一个类，即类0。如果在标记过程中添加诸如页眉和页脚之类的标签，则可以相应地获得多个类。文件和文件夹结构的完整列表：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，您可以调整根据要训练的JPG文件的数量训练的次数。训练完成后，您将获得体重文件output.h5，下载此文件并将其保存到本地主机。该文件将在以后用于运行测试。这里要注意的一件事是，在Colab中，文件已上传到Git，并且已克隆Git。在运行测试之前，您还需要安装必要的库来处理PDF文件。 PyPDF2是一个python工具库，可以提取文档信息，裁剪页面等。使用以下命令安装该库：pip install PyPDF2 Camelot是一个专用于解析PDF页表的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，您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定义标签类0。 model_path =＆amp; lsquo; output.h5＆amp; rsquo; model = models.load_model（model_path，b骨干名称=＆rsquo; resnet50＆rsquo;）labels =＆amp; lsquo; retinanet_classes.csv＆rsquo; LABELS = open（labels）。 read（）。strip（）。split（＆amp; rsquo;）LABELS = {int（L.split（＆amp; lsquo;，＆amp; rsquo;）[1]）：L.split（＆amp; lsquo ;，＆amp; rsquo;）[0] for LABELS} print（LABELS）{0：＆amp; lsquo; tabel＆amp; rsquo;}，然后以npimport cv2import matplotlib.pyplot作为pltimage_path = imgfname＃image = cv2.imread（image_path）image = read_image_bgr（image_path）image = cv2.cvtColor（image，cv2.COLOR_BGR2RGB）运行测试导入numpy图像。 copy（）output = cv2.cvtColor（output，cv2.COLOR_BGR2RGB）print（output.shape）＃行（高度）x列（宽度）x颜色（3） image）image = np.expand_dims（image，axis = 0）＃检测输入图像中的对象，并校正图像比例（框，分数，标签）= model.predict_on_batch（image）boxes / = scaleconfidence = 0.2，来自Google。 colab.patches将cv2_imshowimport matplotlib.pyplot导入为p