解决：使用camelot提取PDF中表格框与图像位置不对应问题

引言

• 在研究表格结构还原时，针对基于文本为基础的PDF，是可以尝试直接提取表格的，不用走OCR模型。
• 基于文本为基础的意思就是用PDF阅读器打开PDF文件，可以直接复制的。

  Camelot only works with text-based PDFs and not scanned documents. (As Tabula explains, “If you can click and drag to select text in your table in a PDF viewer, then your PDF is text-based”.)

camelot提取表格相关代码

• foo.pdf下载链接：link
• 说明1：因为camelot底部是依赖pdfminer库来做PDF内容提取的，所以其获得的内容坐标值中的y值需要用page的高减去获得的值，才是正常框的值。
• 说明2： 同样因为是基于pdfminer库提取内容，所以默认提取内容，获得框坐标时，dpi值默认为72，而camelot的read_pdf函数获得图像，其dpi值为300。这就有了表格框坐标与获得图像位置不对应的问题。这块提了issue-486，可以移步去那里详细看一下。
• 对应校正代码：

  import camelot
  import copy
  import cv2
  
  
  def draw_bbox(img, start_point, end_point, ratio=1):
      start_point = tuple(map(lambda x: round(x * ratio), start_point))
      end_point = tuple(map(lambda x: round(x * ratio), end_point))
      cv2.rectangle(img, start_point, end_point, (0, 255, 0), 2)
  
  
  pdf_path = 'foo.pdf'
  tables = camelot.read_pdf(pdf_path, flavor='lattice', backend="poppler")
  table = tables[0]
  table_x0, table_y0, table_x1, table_y1 = table._bbox
  img = table._image[0]
  
  ratio = 300 / 72
  pdf_height = img.shape[0] / ratio
  new_tmp_img = copy.deepcopy(img)
  draw_bbox(new_tmp_img,
            start_point=(table_x0, pdf_height - table_y0),
            end_point=(table_x1, pdf_height - table_y1),
            ratio=ratio)
  cv2.imwrite('foo_right.jpg', new_tmp_img)
  

  • 结果图：