表格

表格处理[1] #

table.png

  • 长表格 处理
    分成两半各自处理
    事后做检测，根据页眉页脚做合并， 对边界的处理

RapidTable [2] #

  • MinerU 中的表格识别使用了RapidTable
  • RapidTable 使用了以下4中模型
class ModelType(Enum):
    PPSTRUCTURE_EN = "ppstructure_en"   # PaddleOCR
    PPSTRUCTURE_ZH = "ppstructure_zh"   # PaddleOCR
    SLANETPLUS = "slanet_plus"          # PaddleX
    UNITABLE = "unitable"

ppstructure(PaddleOCR)[3] #

  • 表格识别主要包含三个模型
    • 单行文本检测-DB
    • 单行文本识别-CRNN
    • 表格结构和cell坐标预测-SLANet

具体流程图如下
tableocr_pipeline.png

参考 #

  1. 蚂蚁数科AI Agent知识工程实践 Datafun
  2. https://github.com/RapidAI/RapidTable
    https://github.com/opendatalab/MinerU
  3. ppstructure/table

1xx. RAG实战系列，如何针对word文档中的表格进行问答，解决跨页表格问题 v
1xx. 将图片或PDF中复杂的表格数据转成纯文本输入大模型，如何保持表格文字的排版布局不变？ v