qidao123.com技术社区-IT企服评测·应用市场

标题: PDF-Extract-Kit （PDF内容抽取开源项目） [打印本页]

作者: 自由的羽毛 时间: 2024-7-22 08:11
标题: PDF-Extract-Kit （PDF内容抽取开源项目）
Github 地点：https://github.com/opendatalab/PDF-Extract-Kit

整体介绍

PDF文档中包含大量知识信息，例如文本、表格、图像、公式等。此外，PDF的文档布局也相当复杂，页眉、页脚、表格标题、图片标题等等，提取高质量的PDF内容并非易事。将PDF内容提取工作进行拆解：

布局检测：使用LayoutLMv3模子进行地域检测，如图像，表格,标题,文本等；
公式检测：使用YOLOv8进行公式检测，包含行内公式和行间公式；
公式识别：使用UniMERNet进行公式识别；
光学字符识别：使用PaddleOCR进行文本识别；

注意：由于文档范例的多样性，现有开源的布局检测和公式检测很难处理多样性的PDF文档，为此内容采集多样性数据进行标注和训练，使得在各类文档上取得精准的检测效果，细节参考布局检测和公式检测部分。
对于公式识别，UniMERNet方法可以媲美贸易软件，在各种范例公式识别上匀称很高的质量。
对于OCR，我们采用PaddleOCR，对中英文OCR效果不错。
PDF内容提取框架如下图所示

PDF-Extract-Kit输特殊式

{
"layout_dets": [ # 页中的元素
{
"category_id": 0, # 类别编号， 0~9，13~15
"poly": [
136.0, # 坐标为图片坐标，需要转换回pdf坐标, 顺序是左上-右上-右下-左下的x,y坐标
781.0,
340.0,
781.0,
340.0,
806.0,
136.0,
806.0
],
"score": 0.69, # 置信度
"latex": '' # 公式识别的结果，只有13,14有内容，其他为空，另外15是ocr的结果，这个key会换成text
},
...
],
"page_info": { # 页信息：提取bbox时的分辨率大小，如果有缩放可以基于该信息进行对齐
"page_no": 0, # 页数
"height": 1684, # 页高
"width": 1200 # 页宽
}
}

复制代码

其中category_id(类别)包含的范例如下：

{0: 'title', # 标题
1: 'plain text', # 文本
2: 'abandon', # 包括页眉页脚页码和页面注释
3: 'figure', # 图片
4: 'figure_caption', # 图片描述
5: 'table', # 表格
6: 'table_caption', # 表格描述
7: 'table_footnote', # 表格注释
8: 'isolate_formula', # 行间公式（这个是layout的行间公式，优先级低于14）
9: 'formula_caption', # 行间公式的标号
13: 'inline_formula', # 行内公式
14: 'isolated_formula', # 行间公式
15: 'ocr_text'} # ocr识别结果

复制代码

效果展示

结合多样性PDF文档标注，训练了鲁棒的布局检测和公式检测模子。在论文、教材、研报、财报等多样性的PDF文档上，pipeline都能得到准确的提取结果，对于扫描含糊、水印等情况也有较高鲁棒性。

使用教程

情况安装 (Linux)

conda create -n pipeline python=3.10
pip install -r requirements.txt
pip install --extra-index-url https://miropsota.github.io/torch_packages_builder detectron2==0.6+pt2.3.1cu121

复制代码

安装完情况后，可能会遇到一些版本冲突导致版本变动，如果遇到了版本相关的报错，可以尝试下面的命令重新安装指定版本的库。

pip install pillow==8.4.0

复制代码

除了版本冲突外，可能还会遇到torch无法调用的错误，可以先把下面的库卸载，然后重新安装cuda12和cudnn。

pip uninstall nvidia-cusparse-cu12

复制代码

运行提取脚本

python pdf_extract.py --pdf data/pdfs/ocr_1.pdf

复制代码

参数表明：

pdf ：待处理的pdf文件，如果传入一个文件夹，则会处理文件夹下的所有pdf文件。
output：处理结果保存的路径，默认是"output"
vis：是否对结果可视化，是则会把检测的结果可视化出来，重要是检测框和类别
render：是否把识别得的结果渲染出来，包罗公式的latex代码，以及普通文本，都会渲染出来放在检测框中。注意：此过程非常耗时，别的也需要提前安装xelatex和imagemagic。

本项目专注使用模子对多样性文档进行高质量内容提取，不涉及提取后内容拼接成新文档，如PDF转Markdown。如果有此类需求，请参考另一个Github项目: MinerU

在Windows上运行 : 在Windows情况下使用PDF-Extract-Kit

在macOS上运行: 在macOS系统使用PDF-Extract-Kit

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

欢迎光临 qidao123.com技术社区-IT企服评测·应用市场 (https://dis.qidao123.com/)