PdfTable：面向深度学习的统一表格提取工具包

当前，大量文档数据以非结构化格式存在，包括便携式文档格式（PDF）文件和图像。从这些文档中提取信息面临着诸多挑战，包括多样化的表格样式、复杂的表单以及不同语言的包含。已 developed several open-source toolkits，如 Camelot、Plumb a PDF（pdfnumber）和 Paddle Paddle Structure V2（PP-StructureV2），以便于从 PDF 或图像中提取表格。然而，每个工具包都有其局限性。Camelot 和 pdfnumber 只能提取数字 PDF 中的表格，无法处理图像-based PDF 和图片。另一方面，PP-StructureV2 可以全面提取图像-based PDF 和图片中的表格，但缺乏区分不同应用场景的能力，如有线表格和无线表格、数字 PDF 和图像 PDF。为此，我们引入了 PDF 表格提取（PdfTable）工具包。该工具包集成了众多开源模型，包括七个表格识别模型、四个光学字符识别（OCR）识别工具和三个布局分析模型。通过优化 PDF 表格提取流程，PdfTable 在各种应用场景下都具有适应性。我们通过在自标注的有线表格数据集和开源无线 Publicly Table Reconition Dataset（PubTabNet）上的验证，证明了 PdfTable 工具包的有效性。PdfTable 代码将在 Github 上发布：https://github.com/CycloneBoy/pdf_table。