Awesome

<div align="center"> <div align="center"> <h1><b>📊 Rapid Table</b></h1> </div>

</div>

简介

RapidTable库是专门用来文档类图像的表格结构还原，结合RapidOCR，将给定图像中的表格转化对应的HTML格式。

目前支持两种类别的表格识别模型：中文和英文表格识别模型，具体可参见下面表格：

slanet_plus是paddlex内置的SLANet升级版模型，准确率有大幅提升

模型类型	模型名称	模型大小
英文	`en_ppstructure_mobile_v2_SLANet.onnx`	7.3M
中文	`ch_ppstructure_mobile_v2_SLANet.onnx`	7.4M
slanet_plus 中文	`slanet-plus.onnx`	6.8M

模型来源：PaddleOCR 表格识别 PaddleX-SlaNetPlus 表格识别

模型下载地址为：link

效果展示

与TableStructureRec 关系

TableStructureRec库是一个表格识别算法的集合库，当前有wired_table_rec有线表格识别算法和lineless_table_rec无线表格识别算法的推理包。

RapidTable是整理自PP-Structure中表格识别部分而来。由于PP-Structure较早，这个库命名就成了rapid_table。

总之，RapidTable和TabelStructureRec都是表格识别的仓库。大家可以都试试，哪个好用用哪个。由于每个算法都不太同，暂时不打算做统一处理。

关于表格识别算法的比较，可参见TableStructureRec测评

安装

由于模型较小，预先将slanet-plus表格识别模型(slanet-plus.onnx)打包进了whl包内。

⚠️注意：rapid_table>=v0.1.0之后，不再将rapidocr_onnxruntime依赖强制打包到rapid_table中。使用前，需要自行安装rapidocr_onnxruntime包。

pip install rapidocr_onnxruntime
pip install rapid_table

使用方式

python脚本运行

RapidTable类提供model_path参数，可以自行指定上述2个模型，默认是slanet-plus.onnx。举例如下：

table_engine = RapidTable()

完整示例：

from pathlib import Path

from rapid_table import RapidTable, VisTable

table_engine = RapidTable()
ocr_engine = RapidOCR()
viser = VisTable()

img_path = 'test_images/table.jpg'

ocr_result, _ = ocr_engine(img_path)
table_html_str, table_cell_bboxes, elapse = table_engine(img_path, ocr_result)

save_dir = Path("./inference_results/")
save_dir.mkdir(parents=True, exist_ok=True)

save_html_path = save_dir / f"{Path(img_path).stem}.html"
save_drawed_path = save_dir / f"vis_{Path(img_path).name}"

viser(img_path, table_html_str, save_html_path, table_cell_bboxes, save_drawed_path)

print(table_html_str)

终端运行

用法:

$ rapid_table -h
usage: rapid_table [-h] [-v] -img IMG_PATH [-m MODEL_PATH]

optional arguments:
-h, --help            show this help message and exit
-v, --vis             Whether to visualize the layout results.
-img IMG_PATH, --img_path IMG_PATH
                      Path to image for layout.
-m MODEL_PATH, --model_path MODEL_PATH
                      The model path used for inference.

示例:

rapid_table -v -img test_images/table.jpg

结果

返回结果

<html><body><table><tr><td>Methods</td><td></td><td></td><td></td><td>FPS</td></tr><tr><td>SegLink [26]</td><td>70.0</td><td>86d><td.0</td><td>77.0</td><td>8.9</td></tr><tr><td>PixelLink [4]</td><td>73.2</td><td>83.0</td><td>77.8</td><td></td></tr><tr><td>TextSnake [18]</td><td>73.9</td><td>83.2</td><td>78.3</td><td>1.1</td></tr><tr><td>TextField [37]</td><td>75.9</td><td>87.4</td><td>81.3</td><td>5.2</td></tr><tr><td>MSR[38]</td><td>76.7</td><td>87.87.4</td><td>81.7</td><td></td></tr><tr><td>FTSN [3]</td><td>77.1</td><td>87.6</td><td>82.0</td><td></td></tr><tr><td>LSE[30]</td><td>81.7</td><td>84.2</td><td>82.9</td><><ttd></td></tr><tr><td>CRAFT [2]</td><td>78.2</td><td>88.2</td><td>82.9</td><td>8.6</td></tr><tr><td>MCN[16]</td><td>79</td><td>88</td><td>83</td><td></td></tr><tr><td>ATRR</>[35]</td><td>82.1</td><td>85.2</td><td>83.6</td><td></td></tr><tr><td>PAN [34]</td><td>83.8</td><td>84.4</td><td>84.1</td><td>30.2</td></tr><tr><td>DB[12]</td><td>79.2</t91/d><td>91.5</td><td>84.9</td><td>32.0</td></tr><tr><td>DRRG[41]</td><td>82.30</td><td>88.05</td><td>85.08</td><td></td></tr><tr><td>Ours (SynText)</td><td>80.68</td><td>85<t..40</td><td>82.97</td><td>12.68</td></tr><tr><td>Ours (MLT-17)</td><td>84.54</td><td>86.62</td><td>85.57</td><td>12.31</td></tr></table></body></html>

可视化结果

<div align="center"> <table><tr><td>Methods</td><td></td><td></td><td></td><td>FPS</td></tr><tr><td>SegLink [26]</td><td>70.0</td><td>86d><td.0</td><td>77.0</td><td>8.9</td></tr><tr><td>PixelLink [4]</td><td>73.2</td><td>83.0</td><td>77.8</td><td></td></tr><tr><td>TextSnake [18]</td><td>73.9</td><td>83.2</td><td>78.3</td><td>1.1</td></tr><tr><td>TextField [37]</td><td>75.9</td><td>87.4</td><td>81.3</td><td>5.2</td></tr><tr><td>MSR[38]</td><td>76.7</td><td>87.87.4</td><td>81.7</td><td></td></tr><tr><td>FTSN [3]</td><td>77.1</td><td>87.6</td><td>82.0</td><td></td></tr><tr><td>LSE[30]</td><td>81.7</td><td>84.2</td><td>82.9</td><><ttd></td></tr><tr><td>CRAFT [2]</td><td>78.2</td><td>88.2</td><td>82.9</td><td>8.6</td></tr><tr><td>MCN[16]</td><td>79</td><td>88</td><td>83</td><td></td></tr><tr><td>ATRR</>[35]</td><td>82.1</td><td>85.2</td><td>83.6</td><td></td></tr><tr><td>PAN [34]</td><td>83.8</td><td>84.4</td><td>84.1</td><td>30.2</td></tr><tr><td>DB[12]</td><td>79.2</t91/d><td>91.5</td><td>84.9</td><td>32.0</td></tr><tr><td>DRRG[41]</td><td>82.30</td><td>88.05</td><td>85.08</td><td></td></tr><tr><td>Ours (SynText)</td><td>80.68</td><td>85<t..40</td><td>82.97</td><td>12.68</td></tr><tr><td>Ours (MLT-17)</td><td>84.54</td><td>86.62</td><td>85.57</td><td>12.31</td></tr></table> </div>

更新日志

2023-12-29 v0.1.3 update

优化可视化结果部分

2023-12-27 v0.1.2 update

添加返回cell坐标框参数
完善可视化函数

2023-07-17 v0.1.0 update

将rapidocr_onnxruntime部分从rapid_table中解耦合出来，给出选项是否依赖，更加灵活。
增加接口输入参数ocr_result：
- 如果在调用函数时，事先指定了ocr_result参数值，则不会再走OCR。其中ocr_result格式需要和rapidocr_onnxruntime返回值一致。
- 如果未指定ocr_result参数值，但是事先安装了rapidocr_onnxruntime库，则会自动调用该库，进行识别。
- 如果ocr_result未指定，且rapidocr_onnxruntime未安装，则会报错。必须满足两个条件中一个。

2023-07-10 v0.0.13 updata

更改传入表格还原中OCR的实例接口，可以传入其他OCR实例，前提要与rapidocr_onnxruntime接口一致

2023-07-06 v0.0.12 update

去掉返回表格的html字符串中的<thead></thead><tbody></tbody>元素，便于后续统一。
采用Black工具优化代码

2024.10.13 update

补充最新paddlex-SLANet-plus 模型(paddle2onnx原因暂不能支持onnx)

</details>