基于tesseract-ocr的pdf文件解析方法

基本信息

申請?zhí)?/td> CN201910436587.3 申請日 -
公開（公告）號 CN110188649A 公開（公告）日 2019-08-30
申請公布號 CN110188649A 申請公布日 2019-08-30
分類號 G06K9/00 分類 計算；推算；計數(shù);
發(fā)明人 金霞 申請（專利權）人 成都火石創(chuàng)造科技有限公司
代理機構 杭州求是專利事務所有限公司 代理人 劉靜;邱啟旺
地址 610200 四川省成都市天府國際生物城(雙流區(qū)生物城中路二段18號)
法律狀態(tài) -

摘要

摘要 本發(fā)明公開了一種基于tesseract?ocr的pdf文件解析方法，該方法用fitz工具包把pdf文件轉換為圖片序列；針對圖片序列的每一個圖片，用TableBank工具得到表格的多個區(qū)域位置；利用tesseract?ocr進行圖片中的圖提取、表格單元格的提取和識別：本發(fā)明在tesseract?ocr基礎上，通過結合TableBank的表格檢測和表格結構識別模型，得到了表格各單元格中的內容；匹配docx解析結果，解決了ocr識別錯誤的問題；對tesseract?ocr的ocr模型進行替換，提升了識別的準確率和速度。本發(fā)明具有表格結構識別的功能、ocr錯誤糾正的功能，優(yōu)化了模型的準確率和速度，糾正了多欄排版下的段落順序混亂問題，以及部分段落或表格丟失的問題。