0

我有一个PDF包含表格的文件,我想将其转换为表格结构化数据。

我的PDF文件包含一个非常复杂的表格,这使得大多数工具都不够用。例如,我尝试使用以下工具,但它们没有很好地提取它:AWS Textract, Google AI Document, Google Vision, Microsoft Text Recognition. 实际上,Google AI Document设法做到了大约 70% 的正确率,但这还不够好。

所以,我搜索了一种自定义训练模型的方法,以便在提取此表时,它会正确提取它。我尝试了 Power Apps AI Builder 和Google AutoML实体提取,但它们都没有帮助(顺便说一句,我不是 AutoML 的目的,它是用于预测还是也可以自定义表提取?)。

我想知道哪些工具适合我的用例,以及是否有任何(AI)工具可以用来训练这类表格,以便文本提取更好。

在此处输入图像描述

4

1 回答 1

1

如果渲染得足够清晰,大多数文本提取器都应该保持这种结构,但布局可能是许多变化无常的错误树。

在这里,它正确识别了 reaar 的拼写错误,但在 1983 年 5 月 5 日的第一行中失败了

在此处输入图像描述

在相同的第二次通过时,失败是不同的

 3      29.06.1983      Part of Ground Floor of       05.05.1983      GM315727
        2 (part of)     Conavon Court                25 years from
                                                     1.3.1983
 4      31.01.1984      Part of Third Floor Conavon   30.12.1983      GM335793
        4 (part of)     Court                        25 years from
                                                     12.8.1983
 5      19.04.1984      I?art of Basement Floor of     23.01.1984      GM342693
        l (part of), 2  Conavon C:ourt                25 years from
         (part of), 3                                 20.01.1984
         (part Of ) , 4
         (part of)
        NOTE: The Lease also grants a right of way for the purpose only of
        loading and unloading and reserves a right of way in case of emergency
        only from the  boiler house adjacent hereto
 6      14.06.1984      Part of Third Floor Conavon   31.10.1983      GM347623
        3 (part of)     Court                        25 years from
                                                     31.10.1983
 7      14.06.1984      Part of the Third Floor       31.10.1983      GM347623
        3 (part: of}, 4  Conavon Court                25 years from
         (part of)                                    31.10.1983
 8      01.10.1984      "The Italian Stallion''       17.08.1984      GM357142
        4 (part of)     Conavon Court (Basement)      25 years from
                                                     20.1.1984
        NOTE: The Lease also grants a right of way for the purpose only of
        loading and unloading and a right of access through the security door
        at the reaar of the building
 9      06.07.2016      3rd floor 14-16 Blackfriars   28.06.2016
        4 (part of}, 5  Streec                       5 years from
         (part of)                                    25/06/2016

这就是 OCR 的美妙之处,每次运行每个字符的通过率都可能不同,因此经验表明使用三个估计中的最佳值。因此运行 3 种不同的方式并逐个字符进行比较,以保持一致。

于 2021-10-13T00:28:01.320 回答