从 PDF 和图片提取表格的小工具

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

爱意满满的作品展示区。

这是一个创建于 149 天前的主题，其中的信息可能已经有所发展或是发生改变。

写了个小工具 tableninjia.com ，如果有需要可以尝试一下，主要希望收集到一些反馈(吐槽）。

8 条回复 • 2024-07-06 01:01:16 +08:00

GooogIe

149 天前

楼主做的非常棒，能否给个提取表格的思路，图片的提取我已经搞定啦。就是表格的提取还是有些问题，不过使用三方工具也能提取出来一些标准的表格，但是不太标准的表格的提取还是提取不出来的。

rocky55

149 天前

我的做法是 PDF 到图片，然后训练模型得到表格的结果，[extract table from pdf]( https://tableninjia.com/post/how_extract_table_from_pdf ) 和 [extract table from image]( https://tableninjia.com/post/how_extract_table_from_image) 有写简单的 pipline

GooogIe

149 天前

感谢

wxf666

149 天前

@rocky55 #2 请教一下，这种训练是自动的吗？

还是需要自己标注每个 PDF/图片中的正确结果啥的？

大概要训练多少 PDF/图片呢？

Betsy

149 天前 via iPhone

基于哪个模型做的训练？

geeekr

147 天前

试着传了几张发票，没有一张识别到数据的，下载的 CSV 文件空空如也

rocky55

147 天前

@geeekr 如果发票是 PDF 我觉得直接写代码取会更好，如果是图片我也觉得需要针对发票优化，确实没有发票这种数据去到模型里，严格来说发票很难定义成表格结构。

psyer

138 天前 via Android

目前有一个 gptpdf ，利用 gpt4o 做的效果不错，但有点瑕疵，汉字识别会出错