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。
rocky55
V2EX  ›  分享创造

从 PDF 和图片提取表格的小工具

  •  
  •   rocky55 · 20 天前 · 1149 次点击

    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)。

    https://youtu.be/YZT9oZiWSzI

    8 条回复    2024-07-06 01:01:16 +08:00
    GooogIe
        1
    GooogIe  
       20 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
        2
    rocky55  
    OP
       20 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
        3
    GooogIe  
       20 天前
    感谢
    wxf666
        4
    wxf666  
       20 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
        5
    Betsy  
       20 天前 via iPhone
    基于哪个模型做的训练?
    geeekr
        6
    geeekr  
       18 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
        7
    rocky55  
    OP
       18 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
        8
    psyer  
       9 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
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   2395 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 25ms · UTC 15:40 · PVG 23:40 · LAX 08:40 · JFK 11:40
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.