Como ler tabelas em documentos com C

Como extrair dados de tabelas simples?

Configurar a propriedade ReadDataTables como verdadeira permite a detecção de tabela usando Tesseract. Essa abordagem funciona bem para tabelas básicas com limites de células bem definidos e sem células mescladas. Criei um PDF com uma tabela simples para testar essa funcionalidade, que você pode baixar aqui: ' simple-table.pdf '. Tabelas simples sem células mescladas podem ser detectadas usando este método. Para tabelas mais complexas, consulte o método descrito abaixo.

O método padrão de detecção de tabelas é particularmente eficaz para:

• Exportação de planilhas
• Tabelas de dados básicas com estrutura de linhas/colunas consistente
• Relatórios com dados tabulares
• Listas de inventário simples

Se você trabalha com extração de texto OCR em PDFs em geral, esse método se integra perfeitamente aos recursos mais amplos de processamento de documentos do IronOCR.

:path=/static-assets/ocr/content-code-examples/how-to/read-table-in-document-with-tesseract.cs

using IronOcr;
using System;
using System.Data;

// Instantiate OCR engine
var ocr = new IronTesseract();

// Enable table detection
ocr.Configuration.ReadDataTables = true;

using var input = new OcrPdfInput("simple-table.pdf");
var result = ocr.Read(input);

// Retrieve the data
var table = result.Tables[0].DataTable;

// Print out the table data
foreach (DataRow row in table.Rows)
{
    foreach (var item in row.ItemArray)
    {
        Console.Write(item + "\t");
    }
    Console.WriteLine();
}

Como posso ler tabelas de faturas complexas?

Um dos tipos de tabelas complexas mais comuns em ambientes empresariais são as faturas. As faturas são tabelas complexas com linhas e colunas de dados, frequentemente apresentando células mescladas, larguras de coluna variáveis ​​e estruturas aninhadas. Com IronOCR, utilizamos o método ReadDocumentAdvanced para lidar com eles de maneira eficaz. O processo envolve a digitalização do documento, a identificação da estrutura da tabela e a extração dos dados. Neste exemplo, usamos o arquivo ' invoiceTable.pdf ' para demonstrar como o IronOCR recupera todas as informações da fatura.

O método ReadDocumentAdvanced requer que o pacote IronOcr.Extensions.AdvancedScan seja instalado junto com o pacote base IronOCR. Esta extensão fornece recursos avançados de aprendizado de máquina, especificamente treinados para layouts de documentos complexos.

:path=/static-assets/ocr/content-code-examples/how-to/read-table-in-document-with-ml.cs

using IronOcr;
using System.Linq;

// Instantiate OCR engine
var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("invoiceTable.pdf");

// Perform OCR
var result = ocr.ReadDocumentAdvanced(input);

var cellList = result.Tables.First().CellInfos;

Este método separa os dados textuais do documento em duas categorias: uma delimitada por bordas e outra sem bordas. Para o conteúdo delimitado por bordas, a biblioteca o divide ainda em subseções com base na estrutura da tabela. O método se destaca no tratamento de:

• Itens de linha da fatura com descrições variadas
• Detalhamento de preços em várias colunas
• Blocos de endereço de entrega e cobrança
• Seções de cálculo de impostos e totais
• Informações de cabeçalho e rodapé

Os resultados são apresentados abaixo. Como esse método se concentra nas informações delimitadas por bordas, quaisquer células mescladas que abranjam várias linhas serão tratadas como uma única célula.

Qual é a aparência dos dados extraídos?

using System;
using System.Collections.Generic;
using System.Linq;

// A helper class to process table data by sorting cells based on coordinates
public static class TableProcessor
{
    // Method to organize cells by their coordinates (Y top to bottom, X left to right)
    public static List<CellInfo> OrganizeCellsByCoordinates(List<CellInfo> cells)
    {
        // Sort cells by Y (top to bottom), then by X (left to right)
        var sortedCells = cells
            .OrderBy(cell => cell.CellRect.Y)
            .ThenBy(cell => cell.CellRect.X)
            .ToList();

        return sortedCells;
    }

    // Example method demonstrating how to process multiple tables
    public static void ProcessTables(Tables tables)
    {
        foreach (var table in tables)
        {
            var sortedCells = OrganizeCellsByCoordinates(table.CellInfos);

            Console.WriteLine("Organized Table Cells:");

            // Initialize previous Y coordinate
            int previousY = sortedCells.Any() ? sortedCells.First().CellRect.Y : 0;

            foreach (var cell in sortedCells)
            {
                // Print a new line if the Y-coordinate changes, indicating a new row
                if (Math.Abs(cell.CellRect.Y - previousY) > cell.CellRect.Height * 0.8)
                {
                    Console.WriteLine();  // Start a new row
                    previousY = cell.CellRect.Y;
                }

                // Print the cell text followed by a tab
                Console.Write($"{cell.CellText}\t");
            }

            Console.WriteLine("\n--- End of Table ---");  // End of a table
        }
    }

    // Method to extract a specific row by the given index
    public static List<CellInfo> ExtractRowByIndex(TableInfo table, int rowIndex)
    {
        if (table == null || table.CellInfos == null || !table.CellInfos.Any())
        {
            throw new ArgumentException("Table is empty or invalid.");
        }

        var sortedCells = OrganizeCellsByCoordinates(table.CellInfos);
        List<List<CellInfo>> rows = new List<List<CellInfo>>();

        // Group cells into rows based on Y coordinates
        int previousY = sortedCells.First().CellRect.Y;
        List<CellInfo> currentRow = new List<CellInfo>();

        foreach (var cell in sortedCells)
        {
            if (Math.Abs(cell.CellRect.Y - previousY) > cell.CellRect.Height * 0.8)
            {
                // Store the completed row and start a new one
                rows.Add(new List<CellInfo>(currentRow));
                currentRow.Clear();

                previousY = cell.CellRect.Y;
            }

            currentRow.Add(cell);
        }

        // Add the last row if it wasn't added yet
        if (currentRow.Any())
        {
            rows.Add(currentRow);
        }

        // Retrieve the specified row
        if (rowIndex < 0 || rowIndex >= rows.Count)
        {
            throw new IndexOutOfRangeException($"Row index {rowIndex} is out of range.");
        }

        return rows[rowIndex];
    }
}

using System;
using System.Collections.Generic;
using System.Linq;

// A helper class to process table data by sorting cells based on coordinates
public static class TableProcessor
{
    // Method to organize cells by their coordinates (Y top to bottom, X left to right)
    public static List<CellInfo> OrganizeCellsByCoordinates(List<CellInfo> cells)
    {
        // Sort cells by Y (top to bottom), then by X (left to right)
        var sortedCells = cells
            .OrderBy(cell => cell.CellRect.Y)
            .ThenBy(cell => cell.CellRect.X)
            .ToList();

        return sortedCells;
    }

    // Example method demonstrating how to process multiple tables
    public static void ProcessTables(Tables tables)
    {
        foreach (var table in tables)
        {
            var sortedCells = OrganizeCellsByCoordinates(table.CellInfos);

            Console.WriteLine("Organized Table Cells:");

            // Initialize previous Y coordinate
            int previousY = sortedCells.Any() ? sortedCells.First().CellRect.Y : 0;

            foreach (var cell in sortedCells)
            {
                // Print a new line if the Y-coordinate changes, indicating a new row
                if (Math.Abs(cell.CellRect.Y - previousY) > cell.CellRect.Height * 0.8)
                {
                    Console.WriteLine();  // Start a new row
                    previousY = cell.CellRect.Y;
                }

                // Print the cell text followed by a tab
                Console.Write($"{cell.CellText}\t");
            }

            Console.WriteLine("\n--- End of Table ---");  // End of a table
        }
    }

    // Method to extract a specific row by the given index
    public static List<CellInfo> ExtractRowByIndex(TableInfo table, int rowIndex)
    {
        if (table == null || table.CellInfos == null || !table.CellInfos.Any())
        {
            throw new ArgumentException("Table is empty or invalid.");
        }

        var sortedCells = OrganizeCellsByCoordinates(table.CellInfos);
        List<List<CellInfo>> rows = new List<List<CellInfo>>();

        // Group cells into rows based on Y coordinates
        int previousY = sortedCells.First().CellRect.Y;
        List<CellInfo> currentRow = new List<CellInfo>();

        foreach (var cell in sortedCells)
        {
            if (Math.Abs(cell.CellRect.Y - previousY) > cell.CellRect.Height * 0.8)
            {
                // Store the completed row and start a new one
                rows.Add(new List<CellInfo>(currentRow));
                currentRow.Clear();

                previousY = cell.CellRect.Y;
            }

            currentRow.Add(cell);
        }

        // Add the last row if it wasn't added yet
        if (currentRow.Any())
        {
            rows.Add(currentRow);
        }

        // Retrieve the specified row
        if (rowIndex < 0 || rowIndex >= rows.Count)
        {
            throw new IndexOutOfRangeException($"Row index {rowIndex} is out of range.");
        }

        return rows[rowIndex];
    }
}

Melhores práticas para extração de tabelas

Ao trabalhar com extração de tabelas no IronOCR, considere estas boas práticas:

1. Qualidade do documento : Documentos com resolução mais alta produzem melhores resultados. Para documentos digitalizados, assegure-se de uma resolução mínima de 300 DPI.

2. Pré-processamento : Para documentos com baixa qualidade ou tabelas distorcidas, considere usar os recursos de correção de imagem do IronOCR antes do processamento.

3. Desempenho : Para documentos grandes com várias tabelas, considere usar multithreading e suporte assíncrono para processar páginas em paralelo.

4. Opções de saída : Após extrair os dados da tabela, você pode exportar os resultados em vários formatos. Saiba mais sobre as opções de saída de dados e como criar PDFs pesquisáveis ​​a partir dos seus documentos processados.

5. Processamento de fluxo : Para aplicações web ou cenários que trabalham com documentos em memória, considere usar OCR para fluxos de PDF para evitar operações no sistema de arquivos.

Resumo

O IronOCR oferece recursos poderosos de extração de tabelas por meio de detecção padrão baseada em Tesseract e métodos avançados de aprendizado de máquina. A abordagem padrão funciona bem para tabelas simples, enquanto o método ReadDocumentAdvanced se destaca em documentos complexos como faturas. Com os métodos auxiliares fornecidos, você pode organizar e processar os dados extraídos de acordo com suas necessidades específicas.

Explore mais recursos do IronOCR para aprimorar seus fluxos de trabalho de processamento de documentos e aproveitar todo o potencial do reconhecimento óptico de caracteres em seus aplicativos .NET.