PDF 上的光学字符识别 (python)

Posted 2023-04-17

【中文标题】PDF 上的光学字符识别 (python)

【英文标题】：Optical Character Recognition on PDFs (python)

【发布时间】：2020-12-26 03:32:01

【问题描述】：

我正在使用 ocrmypdf。我正在尝试对竞选财务 pdf 进行 ocr。示例 pdf：https://apps1.lavote.net/camp/comm.cfm?&cid=11

我的客户想要解析这些 pdf 文件以及其他文件（表格 496s、表格 497s）。问题是，即使是相同类型的表单，ocr 结果也不一致。

例如，一份 pdf（表格 460）将产生以下结果：

Statement covers period

from 07/01/2005

through __11/30/2005

另一个相同类型的产生：

Statement covers period

01/01/2006

from

through 03/17/2006

请注意，第一个日期在from 之后，而在第二个中，第一个日期在from 之前。这会在尝试解析数据时产生复杂性。

我正在使用我所谓的“检查点”来解析类似类型的表单。这是一个例子：

checkpoints = [
        ['Statement covers period from', 'Date From'],
        ['through', 'Date Thru'],
        ['Date of election if applicable:', None],
        ['\n', None],
        ['\\NUMBER Treasurer(s)\n', 'ID'],
        ['\n', None],
        ['COMMITTEE NAME (OR CANDIDATE’S NAME IF NO COMMITTEE)\n\n', 'Committee / Candidate Name'],
        ['\n', None],
        ['NAME OF TREASURER\n\n', 'Name of Treasurer'],
        ['\n', None],
        ['NAME OF OFFICEHOLDER OR CANDIDATE\n\n', 'Name of Officeholder or Candidate'],
        ['\n', None],
        ['OFFICE SOUGHT OR HELD (INCLUDE LOCATION AND DISTRICT NUMBER IF APPLICABLE)\n\n', 'Office Sough or Held'],
        ['\n', None],
    ]

我遍历每个检查点，找到当前迭代的开始索引和结束（使用当前检查点和下一个）索引，[0] 而不是 [1]，并将内容保存到主对象中的键中，喜欢county_object[checkpoint[1]] = contents[start_index:end_index]。

此设置仅适用于我正在解析的 pdf。因为 ocrmypdf 即使对于相同的表单类型也会产生不同的结果，所以我的设置并不理想。有人可以指出我应该如何去做的正确方向吗？

谢谢

【问题讨论】：

这是一个很难解决的问题，我什至会说没有 NLP 几乎是不可能的。有很多公司基本上都在解决这个确切的问题（提取您想要的事件数据，但文档和/或 OCR 结果略有不同）。资料来源：曾从事研发工作。

【参考方案1】：

我想“相同”的 460 表格之间的区别是 由于被扫描而导致的垂直错位 在一个轻微的 CW 角度和另一个在轻微的 CCW 角度。 我希望您使用--deskew 调用， 但即便如此，也可能会出现一些小偏差，这很麻烦。

日期之间的垂直间隔似乎很大而且很牢固， 所以一个日期将以适当的方式在另一个日期之前。 考虑更多地关注 mm/dd/yyyy 模式 而在文本锚点上则更少。

您可以从 Tesseract OCR 中obtain bound box coordinates。 用它们来消除日期的歧义， 根据您对表格上较高或较低的内容的了解， 以及（大约）多少。