5.6 KiB

Raw Blame History

PPStructure

PaddleStructure是一个用于复杂版面分析的OCR工具包，其能够对图片形式的文档数据划分文字、表格、标题、图片以及列表5类区域，并将表格区域提取为excel

1. 快速开始

1.1 安装

安装 paddleocr

安装 layoutparser

pip3 install -U premailer paddleocr https://paddleocr.bj.bcebos.com/whl/layoutparser-0.0.0-py3-none-any.whl

1.2 PPStructure whl包使用

1.2.1 命令行使用

paddleocr --image_dir=../doc/table/1.png --type=structure

1.2.2 Python脚本使用

import os
import cv2
from paddleocr import PPStructure,draw_structure_result,save_structure_res

table_engine = PPStructure(show_log=True)

save_folder = './output/table'
img_path = '../doc/table/1.png'
img = cv2.imread(img_path)
result = table_engine(img)
save_structure_res(result, save_folder,os.path.basename(img_path).split('.')[0])

for line in result:
    print(line)

from PIL import Image

font_path = '../doc/fonts/simfang.ttf' # PaddleOCR下提供字体包
image = Image.open(img_path).convert('RGB')
im_show = draw_structure_result(image, result,font_path=font_path)
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

1.2.3 返回结果说明

PaddleStructure 的返回结果为一个dict组成的list，示例如下

[
  {   'type': 'Text', 
      'bbox': [34, 432, 345, 462], 
      'res': ([[36.0, 437.0, 341.0, 437.0, 341.0, 446.0, 36.0, 447.0], [41.0, 454.0, 125.0, 453.0, 125.0, 459.0, 41.0, 460.0]], 
                [('Tigure-6. The performance of CNN and IPT models using difforen', 0.90060663), ('Tent  ', 0.465441)])
  }
]

dict 里各个字段说明如下

字段	说明
type	图片区域的类型
bbox	图片区域的在原图的坐标，分别[左上角x，左上角y，右下角x，右下角y]
res	图片区域的OCR或表格识别结果。表格: 表格的HTML字符串; OCR: 一个包含各个单行文字的检测坐标和识别结果的元组

1.2.4 参数说明

字段	说明	默认值
output	excel和识别结果保存的地址	./output/table
table_max_len	表格结构模型预测时，图像的长边resize尺度	488
table_model_dir	表格结构模型 inference 模型地址	None
table_char_type	表格结构模型所用字典地址	../ppocr/utils/dict/table_structure_dict.tx

大部分参数和paddleocr whl包保持一致，见 whl包文档

运行完成后，每张图片会在output字段指定的目录下有一个同名目录，图片里的每个表格会存储为一个excel，excel文件名为表格在图片里的坐标。

2. PPStructure Pipeline

流程如下

在PPStructure中，图片会先经由layoutparser进行版面分析，在版面分析中，会对图片里的区域进行分类，包括文字、标题、图片、列表和表格5类。对于前4类区域，直接使用PP-OCR完成对应区域文字检测与识别。对于表格类区域，经过Table OCR处理后，表格图片转换为相同表格样式的Excel文件。

2.1 版面分析

版面分析对文档数据进行区域分类，其中包括版面分析工具的Python脚本使用、提取指定类别检测框、性能指标以及自定义训练版面分析模型，详细内容可以参考文档。

2.2 表格识别

Table OCR将表格图片转换为excel文档，其中包含对于表格文本的检测和识别以及对于表格结构和单元格坐标的预测，详细说明参考文档

3. 预测引擎推理

使用如下命令即可完成预测引擎的推理

python3 table/predict_system.py --det_model_dir=path/to/det_model_dir --rec_model_dir=path/to/rec_model_dir --table_model_dir=path/to/table_model_dir --image_dir=../doc/table/1.png --rec_char_dict_path=../ppocr/utils/dict/table_dict.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --rec_char_type=EN --det_limit_side_len=736 --det_limit_type=min --output=../output/table --vis_font_path=../doc/fonts/simfang.ttf

运行完成后，每张图片会output字段指定的目录下有一个同名目录，图片里的每个表格会存储为一个excel，excel文件名为表格在图片里的坐标。

Model List

模型名称	模型简介	配置文件	推理模型大小	下载地址
en_ppocr_mobile_v2.0_table_det	英文表格场景的文字检测	ch_det_mv3_db_v2.0.yml	4.7M	推理模型
en_ppocr_mobile_v2.0_table_rec	英文表格场景的文字识别	rec_chinese_lite_train_v2.0.yml	6.9M	推理模型
en_ppocr_mobile_v2.0_table_structure	英文表格场景的表格结构预测	table_mv3.yml	18.6M	推理模型

5.6 KiB Raw Blame History Unescape Escape