如何使用 C# 阅读文档中的表格

IronOCR 使 C# 开发人员能够使用先进的机器学习模型从 PDF 和图像中的表格中提取数据，使用 ReadDocumentAdvanced 方法既能处理带有基本单元格的简单表格，也能处理像发票这样带有合并单元格的复杂结构。

<！--说明：说明代码概念的图表或截图 -->

使用普通 Tesseract 从表格中提取数据具有挑战性，因为文本通常位于单元格中，并且稀疏地分布在文档中。 不过，我们的库包括一个经过训练和微调的机器学习模型，可以准确地检测和提取表格数据。 无论是处理财务报告、库存清单还是发票数据，IronOCR 都能提供高效解析结构化数据的工具。

对于简单的表格，可依靠使用标准 OcrInput 类的直接表格检测。 对于更复杂的结构，我们独有的 ReadDocumentAdvanced 方法可提供强大的结果，有效地解析表格并提供数据。 这种先进的方法利用机器学习来理解表格布局、合并单元格和复杂的格式，而传统的 OCR 通常很难做到这一点。

快速入门：一次调用提取复杂表格单元格

在几分钟内即可开始运行--本示例展示了如何使用 ReadDocumentAdvanced 进行一次 IronOCR 调用，即可从复杂文档中获得详细的表格单元格数据。 它通过加载 PDF、应用高级表格检测并直接返回单元格信息列表来展示易用性。

以下步骤指导您开始使用 IronOCR 读取表格：

如何从简单表格中提取数据？ 将`ReadDataTables`属性设置为 true 可启用使用 Tesseract 进行表检测。 这种方法适用于单元格边界清晰、无合并单元格的基本表格。 我创建了一个简单的表格 PDF 来测试这个功能，你可以从这里下载：' [simple-table.pdf](/static-assets/ocr/how-to/read-table-in-document/simple-table.pdf) '。 可以使用此方法检测没有合并单元格的简单表格。 对于更复杂的表格，请参考下面介绍的方法。 标准表格检测方法对以下方面尤为有效： - 电子表格输出 - 行/列结构一致的基本数据表 - 包含表格数据的报告 - 简单的库存清单 如果在一般情况下使用 [PDF OCR 文本提取](https://ironsoftware.com/csharp/ocr/examples/csharp-pdf-ocr/)，此方法可与 IronOCR 更广泛的文档处理功能无缝集成。 ```csharp :path=/static-assets/ocr/content-code-examples/how-to/read-table-in-document-with-tesseract.cs ``` -----

如何阅读复杂的发票表格？ --> <！--说明：显示代码执行输出或结果的截图 --> 在商业环境中，发票是比较常见的复杂表格之一。 发票是包含行和列数据的复杂表格，通常具有合并单元格、不同列宽和嵌套结构。 通过 IronOCR，我们利用 `ReadDocumentAdvanced` 方法对其进行了有效处理。 该过程包括扫描文档、识别表格结构和提取数据。 在本例中，我们使用"[invoiceTable](/static-assets/ocr/how-to/read-table-in-document/invoiceTable.pdf)"文件来展示 IronOCR 如何检索发票中的所有信息。 `ReadDocumentAdvanced` 方法需要 [`IronOcr.Extensions.AdvancedScan`](https://www.nuget.org/packages/IronOcr.Extensions.AdvancedScan) 软件包与基本 IronOCR 软件包一起安装。 该扩展提供先进的机器学习功能，专门针对复杂的文档布局进行训练。 [{i:( 在 .NET Framework 上使用高级扫描功能需要项目在 x64 架构上运行。 进入项目配置，取消选中"首选 32 位"选项即可实现此目的。 请在以下故障排除指南中了解更多信息："[Advanced Scan on .NET Framework](/csharp/ocr/troubleshooting/advanced-scan-on-net-framework/)"。 @@--bracket-close--@@@ ```csharp :path=/static-assets/ocr/content-code-examples/how-to/read-table-in-document-with-ml.cs ``` 该方法将文档中的文本数据分为两类：一类有边框，另一类没有边框。 对于带边框的内容，图书馆会根据表格的结构将其进一步细分为小节。 该方法擅长处理 - 具有不同描述的发票细列项目 - 多栏价格细目 - 发货和账单地址块 - 税金和总额计算部分 - 页眉和页脚信息 结果如下所示。 由于此方法侧重于边框所包含的信息，任何跨越多行的合并单元格都将被视为单个单元格。

提取的数据是什么样的？

如何组织和处理提取的表格单元格？ 在当前实现中，提取的单元格尚未正确组织。 但是，每个单元格都包含有价值的信息，例如 X 和 Y 坐标、尺寸等等。 利用这些数据，我们可以创建一个用于各种用途的辅助类。 单元信息包括 - 精确的 X/Y 坐标定位 - 宽度和高度尺寸 - 文本内容 - 信心评分 - 单元格关系 通过这些详细信息，您可以以编程方式重建表格结构，并应用自定义逻辑进行数据提取。 您还可以使用这些坐标来[定义特定区域](https://ironsoftware.com/csharp/ocr/how-to/ocr-region-of-an-image/)，以便在后续操作中进行有针对性的 OCR 处理。 以下是一些基本辅助方法： ```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]; } } ``` ## 表提取的最佳实践 在 IronOCR 中进行表格提取时，请考虑以下最佳实践： 1.**文档质量**：更高分辨率的文档能产生更好的效果。 对于扫描文件，请确保至少为 300 DPI。 2.**预处理**：对于质量较差或表格倾斜的文档，可考虑在处理前使用 IronOCR 的图像校正功能。 3.**性能**：对于包含多个表格的大型文档，请考虑使用[多线程和异步支持](https://ironsoftware.com/csharp/ocr/how-to/async/)来并行处理页面。 4.**输出选项**：提取表格数据后，您可以以各种格式导出结果。 了解有关[数据输出选项](https://ironsoftware.com/csharp/ocr/how-to/read-results/)以及如何从处理过的文档中创建[可搜索 PDF](https://ironsoftware.com/csharp/ocr/how-to/searchable-pdf/) 的更多信息。 5.**流处理**：对于网络应用程序或处理内存中文档的应用场景，请考虑使用 [OCR for PDF streams](https://ironsoftware.com/csharp/ocr/examples/ocr-for-pdf-stream/) 来避免文件系统操作。 ## 摘要 IronOCR 通过基于 Tesseract 的标准检测和先进的机器学习方法提供强大的表格提取功能。 标准方法适用于简单的表格，而 `ReadDocumentAdvanced` 方法则适用于发票等复杂文档。 利用提供的辅助方法，您可以组织和处理提取的数据，以满足您的特定需求。 探索更多 [IronOCR 功能](https://ironsoftware.com/csharp/ocr/features/)，以增强您的文档处理工作流，并在您的 .NET 应用程序中充分发挥光学字符识别的潜力。