conjuncts/gmft

解决的问题

解决了从PDF文档中可靠提取表格的难题，这类文档通常缺乏明确的提取方法。特别针对将PDF数据转换为可用数字格式时保持表格结构和对齐的挑战。

工作原理

该工具使用在PubTables-1M数据集上预训练的Microsoft Table Transformer (TATR)模型来检测和识别表格结构。为最大化速度，它默认利用PDF中已有的文本位置信息，而非依赖OCR。它使用PyPDFium2进行高吞吐量文档处理，并可将结果导出为多种格式，包括Pandas数据框、Markdown、LaTeX、HTML、CSV和JSON。

适用人群

专为需要从科学论文或PDF中提取表格数据的研究人员、数据科学家和开发者设计，提供一种轻量级、高性能的解决方案，可在CPU上运行，无需GPU。

主要亮点

• 高性能：在CPU上比其他几种流行的提取工具快约10倍。
• 轻量级：无需GPU，外部依赖极少（无需Tesseract或Poppler）。
• 多功能导出：支持多种输出格式，并可提供表格的裁剪图像，供GPT-4 Vision等基于视觉的LLM使用。
• 高级结构支持：支持隐式表格结构、多列标题、跨行跨列单元格以及旋转表格。