纯经典CV实现PDF表格识别：开源项目Spartan解析

引言

PDF表格提取一直是文档智能领域的难点，现有方案大多依赖深度学习模型。但最近一个名为Spartan的开源项目另辟蹊径，仅用经典计算机视觉技术（形态学操作和LSD线段检测）就实现了表格检测与结构识别，在Reddit上引发了讨论。本文对该项目的技术路线、优势与局限进行深度解析。

技术路线：从形态学到伪边界

Spartan的流水线针对有框线和无框线表格采取了不同策略。对于有框线表格，使用长水平/垂直核进行形态学开运算，分离出表格线，再对线掩膜做轮廓分析定位表格区域。对于无框线表格，则从文本对齐入手：将单词分组为短语，检查连续行之间的左、中、右对齐情况，当足够多的行和列对齐时，在图像上绘制“伪边界”，使后续流程将其视为有框线表格处理。

结构识别：LSD与并查集

结构识别阶段先遮罩文本，再用LSD（Line Segment Detector）检测线段，聚类合并成网格。跨行/跨列单元格通过缺失线段恢复：如果某分隔线在网格某部分缺失，则这些单元格合并（使用并查集算法）。这种思路巧妙地将结构识别转化为线段缺失问题。

形态学开运算是数学形态学中的基本操作，指先对图像进行腐蚀再膨胀，常用于去除小噪点、分离物体或提取特定方向的线条。在表格检测中，使用长水平核进行开运算可以保留水平线而滤除文字和垂直线，反之亦然，从而有效分离表格框架。LSD（Line Segment Detector）是一种基于梯度信息的线段检测算法，能够快速检测图像中的直线段并给出端点、长度和宽度，无需参数调优，对局部对比度变化鲁棒。在表格结构识别中，LSD用于检测单元格之间的分隔线，通过聚类合并短线段形成网格，缺失的线段则指示跨行或跨列单元格。

文本提取：数字PDF优先，OCR兜底

对于数字PDF，字符直接从PDF文本层获取并映射到单元格网格，避免了OCR错误——这对零件号等关键信息尤为重要。OCR（Tesseract或插件引擎）仅用于扫描页。后处理包括嵌套表头检测、键值表与普通表分类、跨页表格合并（通过匹配列宽和表头）。整个流程在CPU上运行，笔记本上约0.3–1.5秒/页，所有决策都可追溯到可检查的阈值。

优势：可解释、轻量、MIT许可

Spartan的最大优势在于可解释性：每个像素阈值都定义在300 DPI并随分辨率缩放，开发者可以检查每个决策。无需GPU，运行速度快，且采用MIT许可，贡献门槛低。项目作者明确表示欢迎贡献，并列出几个方向：倾斜校正（Hough/投影法）、在ICDAR 2013/PubTables-1M/FinTabNet上使用GriTS或TEDS评估（目前缺乏正式基准，是最大短板）、改进无框线表格的换行文本行重建、接入其他OCR引擎（已有插件接口和EasyOCR示例）。

局限与待改进

项目作者坦诚了当前不足：倾斜扫描件处理不佳（线段检测仅容忍约2像素漂移，尚无去斜校正）；小型无框线块可能将表头误判为键值对；无框线单元格中的换行文本有时会拆分成额外行。这些是实际部署中需要关注的边界情况。

点评与展望

在深度学习盛行的当下，Spartan证明了经典CV在特定场景下仍具竞争力，尤其适合对可解释性和部署成本敏感的场景。不过，缺乏标准基准评估是其最大弱点——没有量化指标，难以与现有方案公平比较。如果社区能补上评估和去斜校正，该项目有望成为轻量级PDF表格提取的实用选择。

仓库地址：https://github.com/shlok-n/spartan · 安装：pip install spartan-tables