在本文中將使用Python/ target=_blank class=infotextkey>Python演示如何解析文檔(如pdf)并提取文本，圖形，表格等信息。
文檔解析涉及檢查文檔中的數(shù)據(jù)并提取有用的信息。它可以通過自動化減少了大量的手工工作。一種流行的解析策略是將文檔轉(zhuǎn)換為圖像并使用計算機視覺進行識別。而文檔圖像分析(Document Image Analysis)是指從文檔的圖像的像素數(shù)據(jù)中獲取信息的技術(shù)，在某些情況下，預(yù)期結(jié)果應(yīng)該是什么樣的沒有明確的答案(文本、圖像、圖表、數(shù)字、表格、公式……)。
OCR (Optical Character Recognition，光學(xué)字符識別)是通過計算機視覺對圖像中的文本進行檢測和提取的過程。它是在第一次世界大戰(zhàn)期間發(fā)明的，當時以色列科學(xué)家伊曼紐爾·戈德堡(Emanuel Goldberg)發(fā)明了一臺能讀取字符并將其轉(zhuǎn)換為電報代碼的機器。到了現(xiàn)在該領(lǐng)域已經(jīng)達到了一個非常復(fù)雜的水平，混合圖像處理、文本定位、字符分割和字符識別。基本上是一種針對文本的對象檢測技術(shù)。
在本文中我將展示如何使用OCR進行文檔解析。我將展示一些有用的Python代碼，這些代碼可以很容易地用于其他類似的情況(只需復(fù)制、粘貼、運行)，并提供完整的源代碼下載。
這里將以一家上市公司的PDF格式的財務(wù)報表為例
檢測和提取該PDF中的 文本、圖形和表格
環(huán)境設(shè)置
文檔解析令人煩惱的部分是，有太多的工具用于不同類型的數(shù)據(jù)(文本、圖形、表格)，但沒有一個能夠完美地工作。下面是一些最流行方法和軟件包:
- 以文本方式處理文檔:用PyPDF2提取文本，用Camelot或TabulaPy提取表，用PyMuPDF提取圖形。
- 將文檔轉(zhuǎn)換為圖像(OCR):使用pdf2image進行轉(zhuǎn)換，使用PyTesseract以及許多其他的庫提取數(shù)據(jù)，或者只使用LayoutParser。
也許你會問:“為什么不直接處理PDF文件，而要把頁面轉(zhuǎn)換成圖像呢?”你可以這么做。這種策略的主要缺點是編碼問題:文檔可以采用多種編碼(即UTF-8、ASCII、Unicode)，因此轉(zhuǎn)換為文本可能會導(dǎo)致數(shù)據(jù)丟失。因此為了避免產(chǎn)生該問題，我將使用OCR，并用pdf2image將頁面轉(zhuǎn)換為圖像，需要注意的是PDF渲染庫Poppler是必需的。
# with pip
pip install python-poppler
# with conda
conda install -c conda-forge poppler
你可以很容易地讀取文件:
# READ AS IMAGE
import pdf2imagedoc = pdf2image.convert_from_path("doc_Apple.pdf")
len(doc) #<-- check num pages
doc[0] #<-- visualize a page
跟我們的截圖一模一樣，如果想將頁面圖像保存在本地，可以使用以下代碼:
# Save imgs
import osfolder = "doc"
if folder not in os.listdir():
os.makedirs(folder)p = 1
for page in doc:
image_name = "page_"+str(p)+".jpg"
page.save(os.path.join(folder, image_name), "JPEG")
p = p+1
最后，我們需要設(shè)置將要使用的CV引擎。LayoutParser似乎是第一個基于深度學(xué)習的OCR通用包。它使用了兩個著名的模型來完成任務(wù):
Detection: Facebook最先進的目標檢測庫(這里將使用第二個版本Detectron2)。
pip install layoutparser torchvision && pip install "git+https://github.com/facebookresearch/detectron2.git@v0.5#egg=detectron2"
Tesseract：最著名的OCR系統(tǒng)，由惠普公司在1985年創(chuàng)建，目前由谷歌開發(fā)。
pip install "layoutparser[ocr]"
現(xiàn)在已經(jīng)準備好開始OCR程序進行信息檢測和提取了。
import layoutparser as lp
import cv2
import numpy as np
import io
import pandas as pd
import matplotlib.pyplot as plt
檢測
(目標)檢測是在圖片中找到信息片段，然后用矩形邊框?qū)⑵浒鼑倪^程。對于文檔解析，這些信息是標題、文本、圖形、表……
讓我們來看一個復(fù)雜的頁面，它包含了一些東西:
這個頁面以一個標題開始，有一個文本塊，然后是一個圖和一個表，因此我們需要一個經(jīng)過訓(xùn)練的模型來識別這些對象。幸運的是，Detectron能夠完成這項任務(wù)，我們只需從這里選擇一個模型，并在代碼中指定它的路徑。
我將要使用的模型只能檢測4個對象(文本、標題、列表、表格、圖形)。因此，如果你需要識別其他東西(如方程)，你就必須使用其他模型。
## load pre-trained model
model = lp.Detectron2LayoutModel(
"lp://PubLa.NET/mask_rcnn_X_101_32x8d_FPN_3x/config",
extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.8],
label_map={0:"Text", 1:"Title", 2:"List", 3:"Table", 4:"Figure"})
## turn img into array
i = 21
img = np.asarray(doc[i])
## predict
detected = model.detect(img)
## plot
lp.draw_box(img, detected, box_width=5, box_alpha=0.2,
show_element_type=True)
結(jié)果包含每個檢測到的布局的細節(jié)，例如邊界框的坐標。 根據(jù)頁面上顯示的順序?qū)敵鲞M行排序是很有用的：
## sort
new_detected = detected.sort(key=lambda x: x.coordinates[1])
## assign ids
detected = lp.Layout([block.set(id=idx) for idx,block in
enumerate(new_detected)])## check
for block in detected:
print("---", str(block.id)+":", block.type, "---")
print(block, end='nn')
完成OCR的下一步是正確提取檢測到內(nèi)容中的有用信息。
提取
我們已經(jīng)對圖像完成了分割，然后就需要使用另外一個模型處理分段的圖像，并將提取的輸出保存到字典中。
由于有不同類型的輸出（文本，標題，圖形，表格），所以這里準備了一個函數(shù)用來顯示結(jié)果。
'''
{'0-Title': '...',
'1-Text': '...',
'2-Figure': array([[ [0,0,0], ...]]),
'3-Table': pd.DataFrame,
}
'''
def parse_doc(dic):
for k,v in dic.items():
if "Title" in k:
print('x1b[1;31m'+ v +'x1b[0m')
elif "Figure" in k:
plt.figure(figsize=(10,5))
plt.imshow(v)
plt.show()
else:
print(v)
print(" ")
首先看看文字：
# load model
model = lp.TesseractAgent(languages='eng')
dic_predicted = {}
for block in [block for block in detected if block.type in ["Title","Text"]]:
## segmentation
segmented = block.pad(left=15, right=15, top=5,
bottom=5).crop_image(img)
## extraction
extracted = model.detect(segmented)
## save
dic_predicted[str(block.id)+"-"+block.type] =
extracted.replace('n',' ').strip()
# check
parse_doc(dic_predicted)
再看看圖形報表
for block in [block for block in detected if block.type == "Figure"]:
## segmentation
segmented = block.pad(left=15, right=15, top=5,
bottom=5).crop_image(img)
## save
dic_predicted[str(block.id)+"-"+block.type] = segmented
# check
parse_doc(dic_predicted)
上面兩個看著很不錯，那是因為這兩種類型相對簡單，但是表格就要復(fù)雜得多。 尤其是我們上看看到的的這個，因為它的行和列都是進行了合并后產(chǎn)生的。
for block in [block for block in detected if block.type == "Table"]:
## segmentation
segmented = block.pad(left=15, right=15, top=5,
bottom=5).crop_image(img)
## extraction
extracted = model.detect(segmented)
## save
dic_predicted[str(block.id)+"-"+block.type] = pd.read_csv(
io.StringIO(extracted) )
# check
parse_doc(dic_predicted)
正如我們的預(yù)料提取的表格不是很好。好在Python有專門處理表格的包，我們可以直接處理而不將其轉(zhuǎn)換為圖像。 這里使用TabulaPy 包：
import tabula
tables = tabula.read_pdf("doc_apple.pdf", pages=i+1)
tables[0]
結(jié)果要好一些，但是名稱仍然錯了，但是效果要比直接OCR好的多
總結(jié)
本文是一個簡單教程，演示了如何使用OCR進行文檔解析。 使用Layoutpars軟件包進行了整個檢測和提取過程。 并展示了如何處理PDF文檔中的文本，數(shù)字和表格。
作者：Mauro Di Pietro
