Extracción de tablas

La extracción de tablas es el proceso de identificar y separar una tabla de un documento extenso, pudiendo también identificar filas, columnas o elementos individuales. Puede considerarse una forma especial de extracción de información .

La extracción de tablas de páginas web puede aprovechar los elementos HTML especiales que existen para las tablas, como la etiqueta "table", y las bibliotecas de programación pueden implementar esta función. La biblioteca de software pandas de Python puede extraer tablas de páginas web HTML mediante su función read_html().

Más difícil resulta la extracción de tablas de archivos PDF o imágenes escaneadas , donde generalmente no existe un marcado legible por máquina específico para tablas. ^{[ 1 ]} Se han descrito sistemas que extraen datos de tablas en archivos PDF científicos. ^{[ 2 ]}^{[ 3 ]}

Wikipedia presenta parte de su información en tablas y, por ejemplo, se pueden extraer 3,5 millones de tablas de la Wikipedia en inglés . ^{[ 4 ]} Algunas de las tablas tienen un formato específico, por ejemplo, las llamadas infoboxes . La extracción a gran escala de tablas de infoboxes de Wikipedia constituye una de las fuentes de DBpedia . ^{[ 5 ]}

Existen servicios web comerciales para la extracción de tablas, por ejemplo, Amazon Textract, Google Document AI , IBM Watson Discovery y Microsoft Form Recognizer. ^{[ 1 ]} También existen herramientas de código abierto, por ejemplo, PDFFigures 2.0 que se ha utilizado en Semantic Scholar . ^{[ 6 ]} En una comparación publicada en 2017, los investigadores encontraron que el programa propietario ABBYY FineReader produjo el mejor rendimiento de extracción de tablas de PDF entre seis herramientas diferentes evaluadas. ^{[ 7 ]} En una evaluación de referencia de 2023, ^{[ 8 ]} Adobe Extract, ^{[ 9 ]} una API basada en la nube que emplea la plataforma de IA Sensei de Adobe , ^{[ 10 ]} tuvo el mejor desempeño entre cinco herramientas evaluadas para la extracción de tablas.

Referencias

1 2 Douglas Burdick; Marina Danilevsky; Alexandre V Evfimievski; Yannis Katsis; Nancy Wang (agosto de 2020). "Extracción y comprensión de tablas para aplicaciones científicas y empresariales". Actas de la VLDB Endowment. Conferencia Internacional sobre Bases de Datos Muy Grandes . 13 (12): 3433– 3436. doi : 10.14778/3415478.3415563 . ISSN 2150-8097 . Wikidata Q108170445 .
↑ Wenhao Yu; Wei Peng; Yu Shu; Qingkai Zeng; Meng Jiang (19 de abril de 2020). Sistema experimental de extracción de evidencia en ciencia de datos con características de tabla híbridas y aprendizaje de conjuntos . págs. 951–961 . doi : 10.1145/3366423.3380174 . ISBN 978-1-4503-7023-3. Wikidata Q108172460 . {{cite book}}: |journal=ignorado ( ayuda )
↑ Benno Kruit; Hongyu He; Jacopo Urbani (1 de noviembre de 2020). Tab2Know: Creación de una base de conocimiento a partir de tablas en artículos científicos . Lecture Notes in Computer Science . págs. 349–365 . arXiv : 2107.13306 . doi : 10.1007/978-3-030-62419-4_20 . ISBN 978-3-030-62419-4. Wikidata Q101086651 . {{cite book}}: |journal=ignorado ( ayuda )
↑ Tobias Bleifuß; Leon Bornemann; Dmitri V. Kalashnikov; Felix Naumann; Divesh Srivastava (17 de agosto de 2021). "La vida secreta de las tablas de Wikipedia" (PDF) . Actas del 2.º Taller sobre búsqueda, exploración y análisis en almacenes de datos heterogéneos . CEUR Workshop Proceedings: 20–26 . Wikidata Q108215401 .
↑ Sören Auer; Christian Bizer; Georgi Kobilarov; Jens Lehmann ; Richard Cyganiak; Zachary Ives (2007). DBpedia: Un núcleo para una web de datos abiertos . Lecture Notes in Computer Science . págs. 722–735 . doi : 10.1007/978-3-540-76298-0_52 . ISBN 978-3-540-76297-3. Wikidata Q27910422 . {{cite book}}: |journal=ignorado ( ayuda )
↑ Christopher Clark; Santosh Divvala (2016), PDFFigures 2.0: Minería de figuras a partir de artículos de investigación , Actas de la 16.ª Conferencia Conjunta ACM/IEEE-CS sobre Bibliotecas Digitales - JCDL ' 16, Wikidata Q108172042
↑ Andreiwid Sheffer Corrêa; Pär-Ola Zander (7 de junio de 2017), Liberando el contenido tabular para datos abiertos: un estudio sobre métodos y herramientas de extracción de tablas PDF , Association for Computing Machinery , doi : 10.1145/3085228.3085278 , Wikidata Q108173686
↑ Meuschke, Norman; Jagdale, Apurva; Spinde, Timo; Mitrović, Jelena; Gipp, Bela (2023), "A Benchmark of PDF Information Extraction Tools Using a Multi-task and Multi-domain Evaluation Framework for Academic Documents" , en Sserwanga, Isaac; Goulding, Anne; Moulaison-Sandy, Heather; Du, Jia Tina (eds.), Information for a Better World: Normality, Virtuality, Physicality, Inclusivity , vol. 13972, Cham: Springer Nature Switzerland, pp. 383–405 , arXiv : 2303.09957 , doi : 10.1007/978-3-031-28032-0_31 , ISBN 978-3-031-28031-3
↑ "API de extracción de PDF de Adobe" . Adobe . Consultado el 15 de marzo de 2024 .
↑ "Experimente los servicios de IA en la nube con Adobe Sensei" . Adobe . Consultado el 15 de marzo de 2024 .

[Table_Extraction_and_Understanding_for_Scientific_and_Enterprise_Applications-1] 1 2 Douglas Burdick; Marina Danilevsky; Alexandre V Evfimievski; Yannis Katsis; Nancy Wang (agosto de 2020). "Extracción y comprensión de tablas para aplicaciones científicas y empresariales". Actas de la VLDB Endowment. Conferencia Internacional sobre Bases de Datos Muy Grandes . 13 (12): 3433– 3436. doi : 10.14778/3415478.3415563 . ISSN 2150-8097 . Wikidata Q108170445 .

[2] Wenhao Yu; Wei Peng; Yu Shu; Qingkai Zeng; Meng Jiang (19 de abril de 2020). Sistema experimental de extracción de evidencia en ciencia de datos con características de tabla híbridas y aprendizaje de conjuntos . págs. 951–961 . doi : 10.1145/3366423.3380174 . ISBN 978-1-4503-7023-3. Wikidata Q108172460 . {{cite book}}: |journal=ignorado ( ayuda )

[3] Benno Kruit; Hongyu He; Jacopo Urbani (1 de noviembre de 2020). Tab2Know: Creación de una base de conocimiento a partir de tablas en artículos científicos . Lecture Notes in Computer Science . págs. 349–365 . arXiv : 2107.13306 . doi : 10.1007/978-3-030-62419-4_20 . ISBN 978-3-030-62419-4. Wikidata Q101086651 . {{cite book}}: |journal=ignorado ( ayuda )

[4] Tobias Bleifuß; Leon Bornemann; Dmitri V. Kalashnikov; Felix Naumann; Divesh Srivastava (17 de agosto de 2021). "La vida secreta de las tablas de Wikipedia" (PDF) . Actas del 2.º Taller sobre búsqueda, exploración y análisis en almacenes de datos heterogéneos . CEUR Workshop Proceedings: 20–26 . Wikidata Q108215401 .

[5] Sören Auer; Christian Bizer; Georgi Kobilarov; Jens Lehmann ; Richard Cyganiak; Zachary Ives (2007). DBpedia: Un núcleo para una web de datos abiertos . Lecture Notes in Computer Science . págs. 722–735 . doi : 10.1007/978-3-540-76298-0_52 . ISBN 978-3-540-76297-3. Wikidata Q27910422 . {{cite book}}: |journal=ignorado ( ayuda )

[6] Christopher Clark; Santosh Divvala (2016), PDFFigures 2.0: Minería de figuras a partir de artículos de investigación , Actas de la 16.ª Conferencia Conjunta ACM/IEEE-CS sobre Bibliotecas Digitales - JCDL ' 16, Wikidata Q108172042

[7] Andreiwid Sheffer Corrêa; Pär-Ola Zander (7 de junio de 2017), Liberando el contenido tabular para datos abiertos: un estudio sobre métodos y herramientas de extracción de tablas PDF , Association for Computing Machinery , doi : 10.1145/3085228.3085278 , Wikidata Q108173686

[8] Meuschke, Norman; Jagdale, Apurva; Spinde, Timo; Mitrović, Jelena; Gipp, Bela (2023), "A Benchmark of PDF Information Extraction Tools Using a Multi-task and Multi-domain Evaluation Framework for Academic Documents" , en Sserwanga, Isaac; Goulding, Anne; Moulaison-Sandy, Heather; Du, Jia Tina (eds.), Information for a Better World: Normality, Virtuality, Physicality, Inclusivity , vol. 13972, Cham: Springer Nature Switzerland, pp. 383–405 , arXiv : 2303.09957 , doi : 10.1007/978-3-031-28032-0_31 , ISBN 978-3-031-28031-3

[9] "API de extracción de PDF de Adobe" . Adobe . Consultado el 15 de marzo de 2024 .

[10] "Experimente los servicios de IA en la nube con Adobe Sensei" . Adobe . Consultado el 15 de marzo de 2024 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]