表格抽取组件（ExtractTableFromDoc）¶

表格抽取组件（ExtractTableFromDoc）是用于文档表格处理的组件，从文档中抽取表格。支持对文档表格大小进行限制，限制后自动进行拆分、跨页合并等处理；支持合并表格上文，提取的表格为Markdown格式。

基本用法¶

下面是一个基本用法的样例

import os
import json

from appbuilder.utils.logger_util import logger
from appbuilder import Message, ExtractTableFromDoc, DocParser


# 设置环境变量
os.environ["GATEWAY_URL"] = "..."


# 测试文档解析器使用默认配置，xxx为待解析的文档路径。
msg = Message("xxx")
parser = DocParser()
# ExtractTableFromDoc输入为文档原始解析结果，此处需要带上原始结果，return_raw=True.
doc = parser(msg, return_raw=True).content.raw

# 抽取文档中的表格
parser = ExtractTableFromDoc()
result = parser.run(Message(doc))

logger.info("Tables: {}".format(
    json.dumps(result.content, ensure_ascii=False))
)

参数说明¶

配置参数说明：

message (Message): 文档原始解析结果。
table_max_size (int): 单个表格的长度的最大值(包含上文)，按字符数即len(table_str)统计，默认为800。如果表格超长，则会被拆分成多个子表格，拆分的最小粒度为表格的行。若单行就超长，则会强制按table_max_size截断。截断时会优先截断上文，尽量保留表格内容。
doc_node_num_before_table (int): 表格前附加的上文DocParser Node的数量，默认为1。范围：1~10。

输出结果说明：

类型: list(二维)。解析出来的文档表格，如果元素长度为1，则对应原文档中格式化后的长度不超过table_max_size的表格；如果元素长度>1，则是对应原文档中一个大表格，该表格被拆分成的多个子表格，以满足设置大小。输出结果数据结构样例：[[{table1}], [{table2-part1}, {table2-part2}]]