Spaces:
Runtime error
Runtime error
File size: 18,259 Bytes
97c964c 28f74f3 97c964c 28f74f3 97c964c 19e922d 97c964c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 |
from pdf2image import convert_from_path
import cv2
import numpy as np
import numpy as np
from PIL import Image
import json
from anthropic import Anthropic, Client
import gradio as gr
def get_base64_encorded_image(image_path):
with open(image_path, "rb") as image_file:
binary_data = image_file.read()
base64_encorded_data = base64.b64encode(binary_data)
base64_string = base64_encorded_data.decode('utf-8')
return base64_string
## Process pdf
def convert_pdf_to_image(pdf_path):
# Convert PDF to images
pages = convert_from_path(pdf_path, dpi=400)
# Save images as PNG files
for i, page in enumerate(pages):
page.save(f'page_{i}.png', 'PNG')
print(f"Converted {len(pages)} pages to images.")
return pages
## Image process Subprocess - De-stamp
def destamp_image(img_path):
bgr_img = cv2.imread(img_path)
hsv_img = cv2.cvtColor(bgr_img, cv2.COLOR_BGR2HSV)
# Convert the BGR image to grayscale
gray_img = cv2.cvtColor(bgr_img, cv2.COLOR_BGR2GRAY)
# HSV ragne: (0-180, 0-255, 0-120)
# for character black color:
# H: 0-180,
# S: 0-255 ，
# V: 0-120 ，
lower_black = np.array([0,0,0])
upper_black = np.array([180,255,120])
mask = cv2.inRange(hsv_img, lower_black, upper_black)
deRed_img = ~mask # Single channel image
# imshow mask
#print(f"deRed_img shape: {deRed_img.shape}")
#show_image(deRed_img)
# thresholding -2
ret, threshold_img_2 = cv2.threshold(deRed_img, 120, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
#print(f' threshold-2 shape: {threshold_img_2.shape}')
#show_image(threshold_img_2)
# Desired shape: (x, y, 1)
new_shape = (threshold_img_2.shape[0], threshold_img_2.shape[1], 1)
# Resize using numpy.resize()
result_img = np.resize(threshold_img_2, new_shape)
print(f"result_img.shape: {result_img.shape}")
cv2.imshow(result_img)
#save result_img
result_filepath="result_img_0.png"
cv2.imwrite(result_filepath, result_img)
return result_filepath
def extract_image_table(image_path):
# extract table information
response = {}
response = extract_table_info(image_path)
# Get text element from response
check_response(response)
# Extract response.content[0].text
json_data = extract_json(response) #type(json_data) = "dict"
print(f"json_data: {json_data}")
return json_data
## Extract Table Information
def extract_table_info(image_path):
# Claude
client = Anthropic(api_key=my_api_key) # Pass the API key here
MODEL_NAME = "claude-3-5-sonnet-20240620"
#Do ascending sort with index of value of "代碼" for all the rows in each section. If there is "X" or "x" in "代碼", treat it as "9".
message_list = [
{
"role": "user",
"content": [
{"type": "image", "source": {"type": "base64", "media_type": "image/png", "data": get_base64_encorded_image(image_path)}},
#{"type": "text", "text": "Please extract the table information of the image, keep the context in Traditional Chinese without translation, all the alphanumeric chararacter exressed in string, give me a json dictionary of the information extracted"},
{
"type": "text",
"text": """
Please extract the table information of the image, keep the context in Traditional Chinese without translation.
if you can not recognize the value precisely, please infer it and try to make a best guess.
If you can not make the best guess, please return “UNK”.
Create a structured set of data in json format providing key information about a table.
Keep the section titles in the table as a parts of json.
Be sure to extract the information of "代碼", and save them as part of json.
All the value extracted are string, including the "代碼".
Do not do any sort operation with all the rows.
Extract the text information of each cell precisely. Do not make inference between "代碼" and "項目" if you can not extract it precisely.
JSON fields must be labelled as:
Example json structure is:
<json>
{
"table meta": [
{"企業名稱": },
{"表頭名稱": },
{"報表日期": },
{"幣別": },
...
...
...
],
"table detail": [
{
...
...
...
},
{
...
...
...
},
...
...
...
]
}
</json>
Output the json structure as a string starting with <json> and ending with </json> XML tags.
Do not return any narrative language. Look at the images in detail.
Do not insert and control code, like line feed, tab indent: "\n"
IF YOU COULD NOT FIND THE RIGHT INFORMATION JUST RETURN THIS VALUE “UNK”.
Example:
<json>
{
"table meta": [
{"企業名稱": "台灣水泥股份有限公司"},
{"表頭名稱": "個體資產負債表"},
{"報表日期": "民國 112 年及 111 年 12 月 31 日"},
{"幣別": "新台幣仟元"},
...
...
...
],
"table detail": [
{
"資產": [
{ "流動資產":
[
{
"代碼": "1100",
"項目": "現金及約當現金（附註四及六）",
"112年12月31日金額": "1,516,633",
"112年12月31日%": "-",
"111年12月31日金額": "4,243,295",
"111年12月31日%": "1"
},
{
"代碼": "1110",
"項目": "透過損益按公允價值衡量之金融資產（附註四、七及二六）",
"112年12月31日金額": "341,056",
"112年12月31日%": "-",
"111年12月31日金額": "259,919",
"111年12月31日%": "-"
},
{
"代碼": "1120",
"項目": "透過其他綜合損益按公允價值衡量之金融資產（附註四、八及二六）",
"112年12月31日金額": "4,333,594",
"112年12月31日%": "1",
"111年12月31日金額": "3,607,819",
"111年12月31日%": "1"
},
{
"代碼": "1150",
"項目": "應收票據及帳款淨額（附註四及九）",
"112年12月31日金額": "5,801,135",
"112年12月31日%": "2",
"111年12月31日金額": "5,319,368",
"111年12月31日%": "1"
},
{
"代碼": "1180",
"項目": "應收票據及帳款－關係人（附註四及二七）",
"112年12月31日金額": "572,118",
"112年12月31日%": "-",
"111年12月31日金額": "681,793",
"111年12月31日%": "-"
},
{
"代碼": "130X",
"項目": "存貨（附註四及十）",
"112年12月31日金額": "1,782,735",
"112年12月31日%": "1",
"111年12月31日金額": "2,321,850",
"111年12月31日%": "1"
},
{
"代碼": "1470",
"項目": "其他流動資產（附註二一及二七）",
"112年12月31日金額": "411,540",
"112年12月31日%": "-",
"111年12月31日金額": "248,683",
"111年12月31日%": "-"
},
{
"代碼": "11XX",
"項目": "流動資產總計",
"112年12月31日金額": "14,758,811",
"112年12月31日%": "4",
"111年12月31日金額": "16,682,727",
"111年12月31日%": "4"
}
]
},
{
"非流動資產": [
{
"代碼": "1517",
"項目": "透過其他綜合損益按公允價值衡量之金融資產（附註四、八及二六）",
"112年12月31日金額": "9,638,255",
"112年12月31日%": "3",
"111年12月31日金額": "7,633,603",
"111年12月31日%": "2"
},
{
"代碼": "1550",
"項目": "採用權益法之投資（附註四、五及十一）",
"112年12月31日金額": "312,351,291",
"112年12月31日%": "82",
"111年12月31日金額": "307,101,709",
"111年12月31日%": "82"
},
{
"代碼": "1600",
"項目": "不動產、廠房及設備（附註四、五、十二、十三及二八）",
"112年12月31日金額": "28,052,603",
"112年12月31日%": "7",
"111年12月31日金額": "35,583,596",
"111年12月31日%": "10"
},
{
"代碼": "1755",
"項目": "使用權資產（附註四、十五、二十、二七）",
"112年12月31日金額": "1,797,820",
"112年12月31日%": "1",
"111年12月31日金額": "1,788,972",
"111年12月31日%": "1"
},
{
"代碼": "1760",
"項目": "投資性不動產（附註四、十四及二十）",
"112年12月31日金額": "13,042,677",
"112年12月31日%": "3",
"111年12月31日金額": "2,436,675",
"111年12月31日%": "-"
},
{
"代碼": "1821",
"項目": "無形資產（附註四及二十）",
"112年12月31日金額": "58,840",
"112年12月31日%": "-",
"111年12月31日金額": "64,956",
"111年12月31日%": "-"
},
{
"代碼": "1915",
"項目": "預付設備款",
"112年12月31日金額": "600,042",
"112年12月31日%": "-",
"111年12月31日金額": "682,765",
"111年12月31日%": "-"
},
{
"代碼": "1975",
"項目": "淨確定福利資產（附註四及十八）",
"112年12月31日金額": "1,507,153",
"112年12月31日%": "-",
"111年12月31日金額": "1,526,546",
"111年12月31日%": "-"
},
{
"代碼": "1990",
"項目": "其他非流動資產（附註四、六、二一及二八）",
"112年12月31日金額": "827,628",
"112年12月31日%": "-",
"111年12月31日金額": "840,688",
"111年12月31日%": "1"
},
{
"代碼": "15XX",
"項目": "非流動資產總計",
"112年12月31日金額": "367,876,309",
"112年12月31日%": "96",
"111年12月31日金額": "357,659,510",
"111年12月31日%": "96"
}]
},
{
"代碼": "1XXX",
"項目": "資產總計",
"112年12月31日金額": "382,635,120",
"112年12月31日%": "100",
"111年12月31日金額": "374,342,237",
"111年12月31日%": "100"
}
]
},
{
"負債": [
...
...
...
]
},
...
...
...
]
}
</json>
"""
}
]
}
]
# Update how the API is called
response = client.messages.create(
model=MODEL_NAME,
max_tokens=8192, # limit the amount of response information
messages=message_list,
temperature=0.7,
extra_headers={"anthropic-beta": "max-tokens-3-5-sonnet-2024-07-15"} # Changed to a dictionary
)
tokens = response.usage.output_tokens
print(f"Generated Tokens: {tokens}")
#print(f"Response: {response}")
return response
## Check Response
def check_response(response):
# Check the type and content of the response
print(type(response.content))
print(response.content)
# Assuming the text content is in the first element of the list
if isinstance(response.content, list) and response.content:
content_text = response.content[0].text
#print(json.dumps(content_text, sort_keys=True, indent=4))
else:
print("Unexpected response format. Unable to extract text.")
return None
## Extract Json data
def extract_json(response):
response_text = response.content[0].text # Access the 'text' attribute of the TextBlock object
# Try to find the start and end of the JSON object more robustly
# skip <json>
json_start = response_text.find("<json>")+6 # Skip the <json> tag
json_end = response_text.rfind("</json>") # Include the closing brace
# Check if valid start and end indices were found
if json_start >= 0 and json_end > json_start:
try:
return json.loads(response_text[json_start:json_end])
except json.JSONDecodeError as e:
print(f"Error decoding JSON: {e}")
print(f"Problematic JSON string: {response_text[json_start+1:json_end]}")
return {response_text[json_start+1:json_end]}
else:
print("Could not find valid JSON object in response.")
return
## Convert json to Dataframe
## Convert to csv
## Process PDF
def pipeline(pdf_path):
pages = convert_pdf_to_image(pdf_path)
print(f"pages: {pages}")
destamp_img = destamp_image("page_0.png")
response = {}
response = extract_table_info(destamp_img)
check_response(response)
json_data = extract_json(response)
return len(pages), destamp_img, json_data
## Gradio Interface
title = "Demo: Financial Statement(PDF) information Extraction - Traditional Chinese"
description = """Demo pdf, either editable or scanned image, information extraction for Traditional Chinese without OCR"""
examples = ['text_pdf.pdf', 'image_pdf.pdf']
pdf_file = gr.File(label="Upload PDF", type="filepath")
pages = gr.File(label="Pages", type="filepath")
num_pages = gr.Number(label="Number of Pages")
destamp_img = gr.Image(type="numpy", label="De-stamped Image")
json_data = gr.JSON(label="JSON Data")
app = gr.Interface(fn=pipeline,
inputs=pdf_file,
outputs=[num_pages, destamp_img, json_data],
title=title,
description=description,
examples=examples)
app.queue()
app.launch(debug=True, share=True)
#app.launch() |