PDF到CSV表格提取工具

PDF到CSV表格提取工具

基础介绍

此项目是一个开源项目，旨在帮助用户从扫描的PDF文档中提取表格数据，并将其转换为CSV格式。主要使用的编程语言为Python，它依赖一些成熟的库如Tesseract OCR进行图像文字识别和OpenCV进行图像处理。

核心功能

• 图像提取：从每一页PDF中提取图像。
• 图像预处理：通过阈值化、模糊和位运算等处理图像，以便更好地识别表格。
• 表格定位：使用轮廓检测找到最大的轮廓（假定是表格），并通过透视变换修正视角。
• 行列识别：采用形态学操作和自定义核来识别表格的行列。
• 文字识别：利用Tesseract OCR库从每个单元格中提取文字。
• 数据导出：将提取的数据按照原表格结构保存在一个CSV文件中。

最近更新的功能

• 优化了图像预处理步骤，提高了表格识别的准确率。
• 改进了透视变换算法，使得修正后的表格图像更加精准。
• 对Tesseract OCR的参数进行调整，提高了文字识别的效率和准确性。
• 修复了一些可能导致程序崩溃的bug，增强了程序的稳定性。