python图片表格提取算法_Any2Excel

Any2Excel 是一款使用 Python 编写的图像内表格数据提取工具，可以高效识别 PDF 原件、扫描件、复印件、彩色(黑白)照片、截图内的数据表格，提取后转为 Excel 文件输出。

这是一款开源工具，我给它取名叫Any2Excel。顾名思义，往后的目标就是提取任意格式文件中的数据图表到可被结构化处理的 Excel 文件。

识别度高，操作简单，使用场景广泛。

支持手机拍照、扫描件、原件、复印件等等。

快速开始

Python PIP 依赖

pip install -r .\requirements.txt

外部依赖

poppler 安装后将其bin路径加入系统变量中

配置腾讯云

cp config+sample.yml config.yml后补全config.yml中的配置信息。

工作原理

将 PDF 按每页转为 JPG 图像文件

暂时只取 PDF 第一页内容

提交 OCR 识别这个图像文件

将识别结果转为 Excel 导出

清除 Excel 文件的全部样式

命令行(CLI)

PDF 转 Excel

cd PDF2Excel

python3 pdf2excel.py test.pdf

图片 转 Excel

cd PDF2Excel

python3 image2excel.py capture.jpg

可视化拖拽

将需要转换的 PDF 文件/图片文件，拖拽到程序上就会自动执行

输出文件

*.xlsx 包含了样式的 Excel 文件，可能会因为样式过多而文件过大。

*.xls 移除了样式的 Excel 文件，推荐。

配置

config.yml 内包含了腾讯云的相关鉴权信息