gmft

gmft

轻量级高性能PDF表格提取开源库

gmft是一个开源的PDF表格提取库,采用微软Table Transformers技术实现高质量表格识别和结构化。支持Pandas dataframe等多种输出格式,无需GPU即可高速运行。gmft依赖少、安装简单,提供模块化设计和灵活配置,在多种表格提取方案对比中表现优异。

gmftPDF表格提取表格转换轻量级工具高性能Github开源项目

gmft

give

me

formatted

tables!

文档状态

有很多PDF文件,其中许多包含表格。尽管存在大量表格提取选项,但仍然没有一种决定性的提取方法。

关于

gmft是一个将PDF表格转换为多种格式的工具包。它轻量、模块化且高效。

包含所有必需组件:默认设置下即可使用,提供强大的性能。

它依赖于微软的Table Transformers,在众多替代方案中,这是质量最高、最可靠的选择。

安装:pip install gmft

快速入门:演示笔记本批量提取readthedocs

文档:readthedocs

为什么使用gmft?

快速、轻量且高效,gmft是从PDF中提取表格的绝佳选择。

提取质量出色:查看批量提取笔记本以了解大致质量。在对同一组表格测试多种表格提取选项时,gmft表现非常出色,可以说提取质量是最佳的。

多种格式

gmft支持以下导出选项:

  • Pandas数据框(!)
  • 通过扩展:markdown、latex、html、csv、json等
  • 文本+位置列表
  • 表格裁剪图像
  • 表格标题

裁剪图像对于直接输入视觉识别器很有用,例如:

  • GPT-4 vision
  • Mathpix/Adobe/Google/Amazon/Azure等

裁剪图像也非常适合验证输出的正确性。

轻量

无需GPU

由于依赖少,gmft非常轻量。其架构(Table Transformer)允许gmft在CPU上运行。

高吞吐量

使用Colab的CPU进行基准测试表明,每页约需1.381秒;转换为数据框约需1.168秒/表格。请查看此处的比较。这使得gmft比unstructured、nougat和open-parse/unitable等替代方案在CPU上快约10倍。原因如下:

  • 基础模型Smock等人的Table Transformer速度极快。
  • gmft专注于表格提取,不提取图形、标题、章节等。
  • 大多数情况下不需要OCR;PDF已包含文本位置数据。使用这些现有数据大大加快了推理速度。尽管如此,gmft仍可通过图像输出从图像和扫描的PDF中提取表格。
  • 选择PyPDFium2是因为其高吞吐量和宽松的许可证。

依赖少

许多PDF提取器需要detectron2、poppler、paddleocr、tesseract等,可能需要额外安装。在Windows上安装detectron2尤其困难。OCR模型可能需要tesseract或paddleocr。

gmft可以通过一行命令安装:pip install gmft。但预先安装transformers和pytorch可能会有所帮助。

gmft主要依赖pypdfium2transformers。首次运行时,gmft会从huggingface下载微软的TATR,总共需要约270MB,并保存到~/.cache/huggingface/hub/models--microsoft--table-{transformer-detection, structure-recognition}~/.cache/huggingface/hub/models--timm--resnet18.a1_in1k

可靠

gmft使用微软的Table Transformer(TATR),该模型在diverse dataset PubTables-1M上训练。考虑了许多替代方法,最终选择TATR的原因之一是其高可靠性。

作者确信提取质量是无与伦比的。当模型失败时,通常是由于OCR问题、合并单元格或误报。即使在这些情况下,文本仍然高度可用。由于底层的程序算法,值与其行/列标题的对齐往往非常准确

我们邀请您探索比较笔记本以调查用例并比较结果。

模块化

通过子类化BasePDFDocument和BasePage类,gmft的设计支持其他PDF提取方法(如PyMuPDF、PyPDF、pdfplumber等)。

通过子类化TableDetector和TableFormatter,可以使用不同的架构和替代表格检测/结构提取方法。可以通过指定huggingface hub路径来使用微调模型。

可配置

查看配置指南以了解gmft设置的讨论。

快速入门

有关更多信息,请参阅文档配置指南演示笔记本批量提取包含更全面的代码示例。

from gmft import CroppedTable, TableDetector, AutoTableFormatter from gmft.pdf_bindings import PyPDFium2Document detector = TableDetector() formatter = AutoTableFormatter() def ingest_pdf(pdf_path): # 生成list[CroppedTable] doc = PyPDFium2Document(pdf_path) tables = [] for page in doc: tables += detector.extract(page) return tables, doc tables, doc = ingest_pdf("path/to/pdf.pdf") doc.close() # 使用完文档后关闭

讨论

新功能

[实验性] 在v0.2版本中,通过设置TATRFormatConfig.enable_multi_header = True,现在支持多级索引(多列标题)。

[实验性] 在v0.2版本中,通过设置TATRFormatConfig.semantic_spanning_cells = True,现在支持跨行跨列单元格。

v0.0.4版本中,现在支持旋转表格。

局限性

误检测参考文献、索引和大型列式文本。

稍微倾斜的表格。

致谢

非常感谢PubTables1M(和Table Transformer)的作者:Brandon Smock、Rohith Pesala和Robin Abraham,他们使gmft成为可能。图像->csv步骤基于TATR的inference.py代码,但为了便于使用,已经进行了重写和一些调整。

感谢Niels Rogge将TATR移植到huggingface并编写可视化代码

替代方案

查看比较

Gmft高度专注于PDF表格。对于表格,另一个很好的选择是img2table,它是非深度学习的,并且获得了很好的结果。

Nougat在PDF表格提取和文档理解方面都表现出色。它输出完整的mathpix markdown(.mmd),包括latex公式、粗体/斜体和完全latex排版的表格。但强烈建议使用GPU。

对于一般文档理解,我推荐查看open-parseunstructuredsuryadeepdoctectionDocTR。Open-parse和unstructured在相同示例PDF的提取质量方面表现相当出色。

Open-parse允许提取辅助信息,如标题、段落等,这对RAG很有用。除了Table Transformer,open-parse还提供UniTable,这是一个更新的模型,在PubLayNet和FinTabNet等许多数据集上达到了SOTA结果。虽然gmft计划在未来支持UniTable,但UniTable要大得多(约1.5 GB)并且在CPU上运行速度慢得多(几乎慢90倍!)。因此,TATR仍然因其速度而受到青睐。此外,与table transformer相反,Unitable可能首先因错位的html标签而导致对齐失败。这可能会影响对齐至关重要的用例。

许可证

gmft以MIT许可证发布。

为遵守pymupdf的AGPL 3.0许可证,PyMuPDF支持在单独的存储库中提供。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多