Как получить оптимизированные результаты с помощью img2table? ⇐ Python

[Anonymous]

Я использую библиотеку img2table для извлечения табличных данных из изображений в моем PDF-файле. Мой рабочий процесс включает в себя следующие шаги:

• Преобразование PDF в изображения: я использую pdf2image для преобразования каждой страницы PDF в отдельные файлы изображений.
• Извлечение данных таблицы из изображений: для каждого изображения я применяю OCR с помощью PaddleOCR и извлекаю данные таблицы с помощью img2table.

Вот код, с которым я сейчас работаю:

Код: Выделить всё

ocr = PaddleOCR(lang="en", kw={
"num_threads": 1,
"use_angle_cls": True,
# "drop_score": 0.6
})

for i in range(images_length):
doc = Image(f'{img_dir}/image_{i+1}.png')

# Table extraction
extracted_tables = doc.extract_tables(ocr=ocr,
implicit_rows=True,
implicit_columns=True,
borderless_tables=True,
min_confidence=50)

Однако после извлечения мне все еще не хватает некоторых полей в таблицах. Мне нужно решение, позволяющее достичь почти 100% точности при анализе этих таблиц.
Я уже пробовал PyMuPDF и tabula-py, но они тоже не соответствовали моим требованиям. Еще я пробовала модели на обнимающем лице стол-трансформер. Есть ли лучший подход к этому или лучшие решения?

Подробнее здесь: https://stackoverflow.com/questions/790 ... -img2table