PDF表格提取工具GMFT使用教程

PDF表格提取工具GMFT使用教程

gmft Lightweight, performant, deep table extraction 项目地址: https://gitcode.com/gh_mirrors/gm/gmft

1. 项目介绍

GMFT（Give Me Formatted Tables）是一个轻量级、高效的PDF表格提取工具。它能够将PDF文件中的表格转换为多种格式，如Markdown、LaTeX、HTML、CSV、JSON等。GMFT基于微软的Table Transformer模型，该模型在多种表格提取任务中表现出色。项目旨在提供一种快速、可靠且易于使用的表格提取解决方案。

2. 项目快速启动

首先，确保您的环境中安装了Python。然后按照以下步骤进行操作：

# 安装必要的依赖
pip install transformers pytorch

# 安装GMFT
pip install gmft

下面是一个简单的示例，演示如何使用GMFT从PDF文件中提取表格：

from gmft.auto import CroppedTable, TableDetector, AutoTableFormatter
from gmft.pdf_bindings import PyPDFium2Document

def ingest_pdf(pdf_path):
    # 初始化文档对象
    doc = PyPDFium2Document(pdf_path)
    tables = []  # 用于存储表格的列表

    # 遍历文档的每一页
    for page in doc:
        # 使用检测器提取当前页面的表格
        detector = TableDetector()
        tables += detector.extract(page)

    return tables, doc

# 使用示例
tables, doc = ingest_pdf("path/to/pdf.pdf")

# 完成表格提取后，关闭文档
doc.close()

3. 应用案例和最佳实践

• 批量提取：对于包含多个表格的PDF文件，可以使用GMFT提供的bulk_extract功能，这样可以一次性提取所有表格。
• 格式化输出：提取的表格可以转换为多种格式，例如转换为CSV格式方便后续数据分析。
• 图像输出：如果需要，GMFT也可以输出表格的图像裁剪，这有助于人工验证提取结果。

4. 典型生态项目

• Img2Table：一个非深度学习的表格提取工具，对于某些表格结构可能效果更好。
• Nougat：适用于PDF表格提取和文档理解的工具，输出格式包括LaTeX公式和标记文本。
• Open-parse：一个文档理解工具，可以提取文档中的辅助信息，如标题、段落等。
• Unstructured：另一个文档理解工具，对于表格提取也有很好的表现。

通过以上介绍，您应该可以对GMFT有一个基本的了解，并且能够快速开始使用它来提取PDF文件中的表格。

gmft Lightweight, performant, deep table extraction 项目地址: https://gitcode.com/gh_mirrors/gm/gmft