如何使用 C# 讀取文件中的表格

IronOCR 使 C# 開發人員能夠使用先進的機器學習模型從 PDF 和圖像中的表格中提取資料，使用 ReadDocumentAdvanced 方法既可處理具有基本單元格的簡單表格，也可處理複雜結構（如具有合併單元格的發票）。

<! -- --> <！--說明：說明程式碼概念的圖表或截圖 -->

使用純 Tesseract 從表格中萃取資料是一項挑戰，因為文字通常位於單元格中，並且稀疏地散佈在文件中。 然而，我們的資料庫包含一個經過訓練和微調的機器學習模型，可準確檢測和擷取表單資料。 無論是處理財務報告、庫存清單或發票資料，IronOCR 都能提供有效解析結構化資料的工具。

對於簡單的表格，請依賴使用標準 OcrInput class 的直接表格偵測。 對於更複雜的結構，我們獨家的 ReadDocumentAdvanced 方法可提供強大的結果，有效地解析表格並傳送資料。 這種先進的方法利用機器學習來理解表格佈局、合併的單元格以及複雜的格式，而傳統的 OCR 通常會在這些方面遇到困難。

快速入門：一次呼叫提取複雜表格單元格

在幾分鐘內就可以開始運行 - 這個範例展示了如何使用 ReadDocumentAdvanced 的單次 IronOCR 呼叫，從複雜的文件中取得詳細的表格儲存格資料。 它透過載入 PDF、應用進階表格檢測並直接返回儲存格資訊清單來展示易用性。

以下步驟引導您開始使用 IronOCR 讀取表格：

如何從簡單的表格中萃取資料？ 將`ReadDataTables`屬性設為 true 可啟用使用 Tesseract 進行表格偵測。 此方法適用於具有明確儲存格邊界且無合併儲存格的基本表格。 我創建了一個簡單的表格 PDF 來測試這個功能，你可以從這裡下載：' [simple-table.pdf](/static-assets/ocr/how-to/read-table-in-document/simple-table.pdf) '。 可以使用此方法檢測沒有合併單元格的簡單表格。 如需更複雜的表格，請參考以下說明的方法。 標準表格檢測方法對於下列情況特別有效： - 試算表匯出 - 具有一致行/列結構的基本資料表 - 包含表格資料的報告 - 簡單的庫存清單 如果在一般情況下使用 [PDF OCR 文字擷取](https://ironsoftware.com/csharp/ocr/examples/csharp-pdf-ocr/)，此方法可與 IronOCR 更廣泛的文件處理功能無縫整合。 ```csharp :path=/static-assets/ocr/content-code-examples/how-to/read-table-in-document-with-tesseract.cs ``` -----

如何閱讀複雜的發票表格？ --> <！--說明：顯示程式碼執行輸出或結果的截圖 --> 在商業環境中，發票是比較常見的複雜表格之一。 發票是複雜的表格，包含多行多列的資料，通常具有合併的單元格、不同的列寬和巢狀結構。 透過 IronOCR，我們利用 `ReadDocumentAdvanced` 方法來有效處理它們。 該過程包括掃描文件、識別表格結構和提取資料。 在本範例中，我們使用"[invoiceTable.pdf](/static-assets/ocr/how-to/read-table-in-document/invoiceTable.pdf)"檔案來展示 IronOCR 如何擷取發票中的所有資訊。 `ReadDocumentAdvanced` 方法需要 [`IronOcr.Extensions.AdvancedScan`](https://www.nuget.org/packages/IronOcr.Extensions.AdvancedScan) 套件與基本 IronOCR 套件一起安裝。 此延伸功能提供先進的機器學習能力，專門針對複雜的文件佈局進行訓練。 [{i:(@ 在 .NET Framework 上使用進階掃描功能需要專案在 x64 架構上運作。 進入專案配置，取消選取"首選 32 位元"選項即可實現此目的。 在以下故障排除指南中瞭解更多資訊："[Advanced Scan on .NET Framework](/csharp/ocr/troubleshooting/advanced-scan-on-net-framework/)"。 @@--括號關閉--@@ ```csharp :path=/static-assets/ocr/content-code-examples/how-to/read-table-in-document-with-ml.cs ``` 此方法將文件中的文字資料分為兩類：一類有邊框，另一類沒有邊框。 對於有邊框的內容，圖書館會根據表格的結構進一步細分為小節。 該方法擅長處理： - 具有不同描述的發票細列項目 - 多欄式價格明細 - 送貨與帳單地址區塊 - 稅金和總計計算部分 - 頁首和頁尾資訊 結果如下圖所示。 由於此方法著重於邊界所圍繞的資訊，任何跨越多行的合併單元格將被視為單一單元格。

擷取的資料是什麼樣子？

如何組織和處理萃取的表格儲存格？ 在目前實作中，提取的單元格尚未正確組織。 但是，每個單元格都包含有價值的信息，例如 X 和 Y 座標、尺寸等等。 利用這些數據，我們可以建立一個用於各種用途的輔助類別。 單元資訊包括 - 精確的 X/Y 座標定位 - 寬度與高度尺寸 - 文字內容 - 信心分數 - 單元關係 這些詳細資訊可讓您以程式化方式重建表格結構，並應用自訂邏輯進行資料擷取。 您也可以使用這些座標[定義特定區域](https://ironsoftware.com/csharp/ocr/how-to/ocr-region-of-an-image/)，以便在後續作業中進行有針對性的 OCR 處理。 以下是一些基本輔助方法： ```csharp 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 OrganizeCellsByCoordinates(List 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($"{cell.CellText}\t"); } Console.WriteLine("\n--- End of Table ---"); // End of a table } } // Method to extract a specific row by the given index public static List ExtractRowByIndex(TableInfo table, int rowIndex) { if (table == null || table.CellInfos == null || !table.CellInfos.Any()) { throw new ArgumentException("Table is empty or invalid."); } var sortedCells = OrganizeCellsByCoordinates(table.CellInfos); List> rows = new List>(); // Group cells into rows based on Y coordinates int previousY = sortedCells.First().CellRect.Y; List currentRow = new List(); foreach (var cell in sortedCells) { if (Math.Abs(cell.CellRect.Y - previousY) > cell.CellRect.Height * 0.8) { // Store the completed row and start a new one rows.Add(new List(currentRow)); currentRow.Clear(); previousY = cell.CellRect.Y; } currentRow.Add(cell); } // Add the last row if it wasn't added yet if (currentRow.Any()) { rows.Add(currentRow); } // Retrieve the specified row if (rowIndex < 0 || rowIndex >= rows.Count) { throw new IndexOutOfRangeException($"Row index {rowIndex} is out of range."); } return rows[rowIndex]; } } ``` ## 表抽取的最佳實務 在 IronOCR 中進行表格抽取工作時，請考慮這些最佳實務： 1.**文件品質**：較高解析度的文件能產生較好的結果。 對於掃描的文件，請確保至少 300 DPI。 2.**預處理**：對於品質不佳或表格歪斜的文件，可考慮在處理前使用 IronOCR 的影像修正功能。 3.**效能**：對於具有多個表格的大型文件，請考慮使用 [ 多執行緒和 async 支援](https://ironsoftware.com/csharp/ocr/how-to/async/) 來平行處理頁面。 4.**輸出選項**：抽取表格資料後，您可以各種格式匯出結果。 進一步瞭解 [ 資料輸出選項](https://ironsoftware.com/csharp/ocr/how-to/read-results/)，以及如何從處理過的文件建立 [ 可搜尋的 PDF](https://ironsoftware.com/csharp/ocr/how-to/searchable-pdf/)。 5.**串流處理**：對於網頁應用程式或處理記憶體內文件的情境，請考慮使用 [OCR for PDF streams](https://ironsoftware.com/csharp/ocr/examples/ocr-for-pdf-stream/) 以避免檔案系統作業。 ## 摘要 IronOCR 透過基於 Tesseract 的標準偵測和先進的機器學習方法，提供強大的表格擷取功能。 標準方法適用於簡單的表格，而 `ReadDocumentAdvanced` 方法則擅長於複雜的文件，例如發票。 透過提供的輔助方法，您可以組織和處理擷取的資料，以符合您的特定需求。 探索更多 [IronOCR 功能](https://ironsoftware.com/csharp/ocr/features/)，以增強您的文件處理工作流程，並在您的 .NET 應用程式中充分利用光學字元識別的潛力。