瞭解表格

套用 Table Understanding 強化，以取得文件內表格及表格相關資料的詳細資訊。

下列作業會產生含有表格資訊的 HTML 欄位，並針對您的集合自動將 Table Understanding 強化套用至該 HTML 欄位:

  • 如果您使用「智慧型文件理解」工具來定義使用者訓練或預先訓練的 SDU 模型，則 Table Understanding 強化會套用至針對集合產生的 html 欄位。

  • 如果您建立 合約的文件擷取 專案類型，則會自動將預先訓練的 SDU 模型套用至集合。 因此，Table Understanding 強化會套用至針對集合產生的 html 欄位。

    如需相關資訊，請參閱 智慧型文件理解。

開始之前

集合中的文件必須包含具有表格的 HTML 表示法的欄位。 此資訊通常儲存在 html 欄位中。 如果您的集合是由 CSV 或 JSON 檔案所組成，則它可能具有 html 欄位以外的欄位，其中包含 HTML 格式的表格資訊。

套用表格瞭解強化

您只能將強化套用至包含表格的 HTML 表示法的欄位。

若要套用增益，請完成下列步驟：

  1. 從導覽窗格中，開啟 管理集合 頁面，然後按一下集合以開啟它。

  2. 按一下強化標籤。

  3. 尋找 Table Understanding 強化。

  4. 從欄位清單中選取 html 欄位。

    選擇包含表格的 HTML 表示法的欄位。

套用強化之後，當您提交需要 Discovery 以尋找儲存在表格中的資訊的查詢時，可以取得有效的結果。

開發人員可以使用 API 來查詢表格。 如需相關資訊，請參閱 查詢參數。

如需如何使用 API 來套用表格瞭解強化的相關資訊，請參閱 使用 API 來套用強化。

在 Python 中使用表狀資料

使用 Text Extensions for Pandas(來自 IBM的開放程式碼程式庫)，來讀取從 Discovery 中的文件剖析至 pandas DataFrame 物件的表格。 Pandas DataFrame 是一個物件，以可針對 Python中的下游分析進行轉換及操作的形式代表二維表格資料。

例如，您可以從許多年度報告文件中的表格擷取內容，並將它重新建構成單一表格，其中包含感興趣的多年資料點。 如需相關資訊，請閱讀 Medium.com上的 Structured Information Extraction from Tables in PDF Documents with Pandas and IBM Watson 部落格文章。

輸出綱目

Table Understanding 強化中的輸出綱目如下所示。

{
  "tables": [
    {
      "location" : {
        "begin" : int,
        "end" : int
      },
      "text": string,
      "section_title": {
        "text": string,
        "location": {
          "begin" : int,
          "end" : int
        }
      },
      "title": {
        "location": {
          "begin": int,
          "end": int,
        },
        "text": string
      },
      "table_headers" : [
        {
          "cell_id" : string,
          "location" : {
            "begin" : int,
            "end" : int
          },
          "text" : string,
          "row_index_begin" : int,
          "row_index_end" : int,
          "column_index_begin" : int,
          "column_index_end" : int
        },
        ...
      ],
      "column_headers" : [
        {
          "cell_id" : string,
          "location" : {
            "begin" : int,
            "end" : int
          },
          "text" : string,
          "text_normalized" : string,
          "row_index_begin" : int,
          "row_index_end" : int,
          "column_index_begin" : int,
          "column_index_end" : int
        },
        ...
      ],
      "row_headers" : [
        {
          "cell_id" : string,
          "location" : {
            "begin" : int,
            "end" : int
          },
          "text" : string,
          "text_normalized" : string,
          "row_index_begin" : int,
          "row_index_end" : int,
          "column_index_begin" : int,
          "column_index_end" : int
        },
        ...
      ],
      "body_cells" : [
        {
          "cell_id" : string,
          "location" : {
            "begin" : int,
            "end" : int
          },
          "text" : string,
          "row_index_begin" : int,
          "row_index_end" : int,
          "column_index_begin" : int,
          "column_index_end" : int,
          "row_header_ids": [ string ],
          "row_header_texts": [ string ],
          "row_header_texts_normalized": [ string ],
          "column_header_ids": [ string ],
          "column_header_texts": [ string ],
          "column_header_texts_normalized": [ string ],
          "attributes" : [
             {
               "type" : string,
               "text" : string,
               "location" : {
                 "begin" : int,
                 "end" : int
               }
             },
             ...
           ]
        },
        ...
      ],
      "key_value_pairs": [
        {
          "key": {
            "cell_id": string,
            "location": {
              "begin": int,
              "end": int
            },
            "text": string
          },
          "value": [{
            "cell_id": string,
            "location": {
              "begin": int,
              "end": int
            },
            "text": string
          },
          ...
          ]
        },
        ...
      ],
      "contexts": [
        {
          "text": string,
          "location": {
            "begin": int,
            "end": int
          }
        },
        ...
      ]
    }
  ]
}

綱目排列

綱目的排列方式如下。

  • tables:定義輸入文件中識別的表格的陣列。

    • location：現行表格在輸入文件中的位置，如其 begin 和 end 索引所定義。

    • text：輸入文件中現行表格的文字內容，不含相關聯的標記內容。

    • section_title：如果識別到包含在現行表格中的區段標題，則為該區段標題的位置。 如果未識別任何區段標題，則為空白。

      • text：所識別區段標題的文字。
      • location：區段標題在輸入文件中的位置，如其 begin 和 end 索引所定義。

    • title: Table x.: ...。 未識別標題時為空。 出現時，title 會從同表的 contexts 陣列中排除。

      • location：標題在輸入文件中的位置，如其 begin 和 end 索引所定義。
      • text：所識別表格標題的文字。

    • table_headers：表格層次資料格的陣列，這些資料格適合作為現行表格之所有其他資料格的標頭。 每個表格標頭都定義為下列元素的集合：

      • cell_id：資料格在現行表格中的唯一 ID。
      • location：資料格在輸入文件中的位置，如其 begin 和 end 索引所定義。
      • text：輸入文件中資料格的文字內容，不含相關聯的標記內容。
      • row_index_begin：資料格在現行表格中之 begin 位置的 row 索引。
      • row_index_end：資料格在現行表格中之 end 位置的 row 索引。
      • column_index_begin：資料格在現行表格中之 begin 位置的 column 索引。
      • column_index_end：資料格在現行表格中之 end 位置的 column 索引。

    • column_headers：現行表格之直欄層次資料格的陣列，每個都適合作為與其本身相同直欄之其他資料格的標頭。 每個直欄標頭定義為下列項目的集合：

      • cell_id：資料格在現行表格中的唯一 ID。
      • location：資料格在輸入文件中的位置，如其 begin 和 end 索引所定義。
      • text：輸入文件中資料格的文字內容，不含相關聯的標記內容。
      • text_normalized: 正規化直欄標頭文字。
      • row_index_begin：資料格在現行表格中之 begin 位置的 row 索引。
      • row_index_end：資料格在現行表格中之 end 位置的 row 索引。
      • column_index_begin：資料格在現行表格中之 begin 位置的 column 索引。
      • column_index_end：資料格在現行表格中之 end 位置的 column 索引。

    • row_headers：現行表格之列層次資料格的陣列，每個都適合作為與其本身相同列之其他資料格的標頭。 每個列標頭定義為下列項目的集合：

      • cell_id：資料格在現行表格中的唯一 ID。
      • location：資料格在輸入文件中的位置，如其 begin 和 end 索引所定義。
      • text：輸入文件中資料格的文字內容，不含相關聯的標記內容。
      • text_normalized: 正規化列標頭文字。
      • row_index_begin：資料格在現行表格中之 begin 位置的 row 索引。
      • row_index_end：資料格在現行表格中之 end 位置的 row 索引。
      • column_index_begin：資料格在現行表格中之 begin 位置的 column 索引。
      • column_index_end：資料格在現行表格中之 end 位置的 column 索引。

    • body_cells：不是現行表格之表格標頭、直欄標頭或列標頭資料格的資料格陣列，含相對應的列與直欄標頭關聯。 每個內文資料格定義為下列項目的集合：

      • cell_id：資料格在現行表格中的唯一 ID。

      • location：資料格在輸入文件中的位置，如其 begin 和 end 索引所定義。

      • text：輸入文件中資料格的文字內容，不含相關聯的標記內容。

      • row_index_begin：這個資料格在現行表格中之 begin 位置的 row 索引。

      • row_index_end：這個資料格在現行表格中之 end 位置的 row 索引。

      • column_index_begin：這個資料格在現行表格中之 begin 位置的 column 索引。

      • column_index_end：這個資料格在現行表格中之 end 位置的 column 索引。

      • row_header_ids:數值陣列，其中每個數值是與此正體儲存格相關的行標頭的儲存格 ID 值。

      • row_header_texts: 值陣列，其中每一個值都是來自此內文資料格之列標頭的文字。

      • row_header_texts_normalized: 值陣列，其中每一個值都是來自此內文資料格之列標頭的正規化文字。

      • column_header_ids:數值陣列，其中每個數值是與此正體儲存格相關的列頭的儲存格 ID 值。

      • column_header_texts: 值陣列，其中每一個值都是此內文資料格的直欄標頭中的文字。

      • column_header_texts_normalized: 值陣列，其中每一個值都是此內文資料格之直欄標頭中的正規化文字。

      • attributes：識別文件屬性的陣列。 陣列中的每個物件都是由三個元素組成：

        • type：屬性的類型。 可能值為 Address、Currency、DateTime、Duration、Location、Number、Organization、Percentage 及 Person。
        • text：與屬性相關聯的文字。
        • location：屬性的位置，如其 begin 和 end 索引所定義。

    • key_value_pairs：指定輸入文件之表格中任何鍵值組的陣列。 如需相關資訊，請參閱瞭解鍵值組。

      • key：指定鍵值組之索引鍵的物件。

        • cell_id：索引鍵在表格中的唯一 ID。
        • location：索引鍵資料格在輸入文件中的位置，如其 begin 和 end 索引所定義。
        • text：表格資料格的文字內容，不含 HTML 標記。

      • value：指定鍵值組之一個以上值的陣列。

        • cell_id：值在表格中的唯一 ID。
        • location：值資料格在輸入文件中的位置，如其 begin 和 end 索引所定義。
        • text：表格資料格的文字內容，不含 HTML 標記。

    • contexts：表格前面和後面的相關資料清單，不包括其節標題（在 section_title 欄位中提供）。 相關資料包括相關的句子、註腳，以及來自參照表格之文件其他部分的句子。 該清單以陣列形式代表。 陣列中的每個物件都包含下列元素：

      • text：輸入文件中相關資料的文字內容，不含 HTML 標記。
      • location：相關資料在輸入文件中的位置，如其 begin 和 end 索引所定義。

關於表格輸出綱目的附註

  • 每個資料格的列和直欄索引值都以零為基礎，因此從 0 開始。
  • row_header_ids 和 row_header_texts 元素陣列中的多個值表示列標頭可能的階層。
  • column_header_ids 和 column_header_texts 元素陣列中的多個值表示直欄標頭可能的階層。

範例

下表為輸入文件中的範例表格。

範例表格
表格範例

表格組成如下：

表的組成
範例表的剖析

表格中使用下列語法:

  • 粗體字指出直欄標頭
  • _斜體文字_表示行頭
  • 無格式文字指出內文資料格

service 的輸出表示範例的第一個正體儲存格 (即第 3 行第一個儲存格，其值為 35.0% )，如下所示：

{
  "tables": [ {
    "location": {
      "begin": 872,
      "end": 5879
    },
    "text": "...",
    "section_title": {
      "text": "",
      "location": {
        "begin": 0,
        "end": 0
      }
    },
    "table_headers" : [ ],
    "column_headers" : [ {
      "cell_id" : "colHeader-1050-1082",
      "location" : {
        "begin" : 1050,
        "end" : 1083
      },
      "text" : "Three months ended September 30,",
      "text_normalized" : "Three months ended September 30,",
      "row_index_begin" : 0,
      "row_index_end" : 0,
      "column_index_begin" : 1,
      "column_index_end" : 2
    }, {
      "cell_id" : "colHeader-1270-1301",
      "location" : {
        "begin" : 1270,
        "end" : 1302
      },
      "text" : "Nine months ended September 30,",
      "text_normalized" : "Nine months ended September 30,",
      "row_index_begin" : 0,
      "row_index_end" : 0,
      "column_index_begin" : 3,
      "column_index_end" : 4
    }, {
      "cell_id" : "colHeader-1544-1548",
      "location" : {
        "begin" : 1544,
        "end" : 1549
      },
      "text" : "2005",
      "text_normalized" : "Year 1",
      "row_index_begin" : 1,
      "row_index_end" : 1,
      "column_index_begin" : 1,
      "column_index_end" : 1
    }, {
      "cell_id" : "colHeader-1712-1716",
      "location" : {
        "begin" : 1712,
        "end" : 1717
      },
      "text" : "2004",
      "text_normalized" : "Year 2",
      "row_index_begin" : 1,
      "row_index_end" : 1,
      "column_index_begin" : 2,
      "column_index_end" : 2
    }, {
      "cell_id" : "colHeader-1889-1893",
      "location" : {
        "begin" : 1889,
        "end" : 1894
      },
      "text" : "2005",
      "text_normalized" : "Year 1",
      "row_index_begin" : 1,
      "row_index_end" : 1,
      "column_index_begin" : 3,
      "column_index_end" : 3
    }, {
      "cell_id" : "colHeader-2057-2061",
      "location" : {
        "begin" : 2057,
        "end" : 2062
      },
      "text" : "2004",
      "text_normalized" : "Year 2",
      "row_index_begin" : 1,
      "row_index_end" : 1,
      "column_index_begin" : 4,
      "column_index_end" : 4
    } ],
    "row_headers" : [ {
      "cell_id" : "rowHeader-2244-2262",
      "location" : {
        "begin" : 2244,
        "end" : 2263
      },
      "text" : "Statutory tax rate",
      "text_normalized" : "Statutory tax rate",
      "row_index_begin" : 2,
      "row_index_end" : 2,
      "column_index_begin" : 0,
      "column_index_end" : 0
    }, {
      "cell_id" : "rowHeader-3197-3217",
      "location" : {
        "begin" : 3197,
        "end" : 3218
      },
      "text" : "IRS audit settlement",
      "text_normalized" : "IRS audit settlement",
      "row_index_begin" : 3,
      "row_index_end" : 3,
      "column_index_begin" : 0,
      "column_index_end" : 0
    }, {
      "cell_id" : "rowHeader-4148-4176",
      "location" : {
        "begin" : 4148,
        "end" : 4177
      },
      "text" : "Dividends received deduction",
      "text_normalized" : "Dividends received deduction",
      "row_index_begin" : 4,
      "row_index_end" : 4,
      "column_index_begin" : 0,
      "column_index_end" : 0
    }, {
      "cell_id" : "rowHeader-5106-5130",
      "location" : {
        "begin" : 5106,
        "end" : 5131
      },
      "text" : "Total effective tax rate",
      "text_normalized" : "Total effective tax rate",
      "row_index_begin" : 5,
      "row_index_end" : 5,
      "column_index_begin" : 0,
      "column_index_end" : 0
    } ],
    "key_value_pairs" : [ ],
    "body_cells" : [ {
      "cell_id" : "bodyCell-2450-2455",
      "location" : {
        "begin" : 2450,
        "end" : 2456
      },
      "text" : "35.0%",
      "row_index_begin" : 2,
      "row_index_end" : 2,
      "column_index_begin" : 1,
      "column_index_end" : 1,
      "row_header_ids" : [ "rowHeader-2244-2262" ],
      "row_header_texts" : [ "Statutory tax rate" ],
      "row_header_texts_normalized" : [ "Statutory tax rate" ],
      "column_header_ids" : [ "colHeader-1050-1082", "colHeader-1544-1548" ],
      "column_header_texts" : [ "Three months ended September 30,", "2005" ],
      "column_header_texts_normalized" : [ "Three months ended September 30,", "Year 1" ],
      "attributes": [ ]
    }, {
      "cell_id" : "bodyCell-2633-2638",
      "location" : {
        "begin" : 2633,
        "end" : 2639
      },
      "text" : "35.0%",
      "row_index_begin" : 2,
      "row_index_end" : 2,
      "column_index_begin" : 2,
      "column_index_end" : 2,
      "row_header_ids" : [ "rowHeader-2244-2262" ],
      "row_header_texts" : [ "Statutory tax rate" ],
      "row_header_texts_normalized" : [ "Statutory tax rate" ],
      "column_header_ids" : [ "colHeader-1050-1082", "colHeader-1712-1716" ],
      "column_header_texts" : [ "Three months ended September 30,", "2004" ],
      "column_header_texts_normalized" : [ "Three months ended September 30,", "Year 2" ],
      "attributes": [ ]
    }, {
      "cell_id" : "bodyCell-2825-2830",
      "location" : {
        "begin" : 2825,
        "end" : 2831
      },
      "text" : "35.0%",
      "row_index_begin" : 2,
      "row_index_end" : 2,
      "column_index_begin" : 3,
      "column_index_end" : 3,
      "row_header_ids" : [ "rowHeader-2244-2262" ],
      "row_header_texts" : [ "Statutory tax rate" ],
      "row_header_texts_normalized" : [ "Statutory tax rate" ],
      "column_header_ids" : [ "colHeader-1270-1301", "colHeader-1889-1893" ],
      "column_header_texts" : [ "Nine months ended September 30,", "2005" ],
      "column_header_texts_normalized" : [ "Nine months ended September 30,", "Year 1" ],
      "attributes": [ ]
    }, {
      "cell_id" : "bodyCell-3008-3013",
      "location" : {
        "begin" : 3008,
        "end" : 3014
      },
      "text" : "35.0%",
      "row_index_begin" : 2,
      "row_index_end" : 2,
      "column_index_begin" : 4,
      "column_index_end" : 4,
      "row_header_ids" : [ "rowHeader-2244-2262" ],
      "row_header_texts" : [ "Statutory tax rate" ],
      "row_header_texts_normalized" : [ "Statutory tax rate" ],
      "column_header_ids" : [ "colHeader-1270-1301", "colHeader-2057-2061" ],
      "column_header_texts" : [ "Nine months ended September 30,", "2004" ],
      "column_header_texts_normalized" : [ "Nine months ended September 30,", "Year 2" ],
      "attributes": [ ]
    },
    ...
  ],
  "contexts": [ ]
}

瞭解鍵值組

表格有時包含跨越多個表格單元格的鍵值對。 Table Understanding 可以偵測下列類型的表格對。

  • 相鄰單元格中的簡單鍵值對，如以下範例表格：

    基本表格
    索引鍵 值
    項目號碼 123456789
    Date 1/1/2019
    量 $1,000

  • 在同一個儲存格中的鍵和值對，如以下範例表格：

    複式表格
    鍵值組 鍵值組
    項目編號：123456789 金額： $1000
    日期： 1/1/2019 地址： 123 Anywhere Dr