PDF 的光学字符识别 (python)

Question

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

我的客户想要解析这些 pdf 以及其他（496 表、497 表）。问题是，即使使用相同类型的表格，ocr 结果也不一致。

例如，一份 pdf（表格 460）将产生这些结果：

Statement covers period

from 07/01/2005

through __11/30/2005

和另一个相同类型的产量：

Statement covers period

01/01/2006

from

through 03/17/2006

注意第一个，第一个日期在 from 之后，而第二个，第一个日期在 from 之前。这会在尝试解析数据时造成复杂性。

我正在使用所谓的“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],
    ]

我循环遍历每个检查点，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]，然后将内容保存到 master 中的一个键对象，例如 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。有人可以为我指出正确的方向吗？

谢谢

Answer 1

我认为“相同的”460 表格之间的区别是由于一个正在扫描的垂直错位以轻微的 CW 角度和另一个以轻微的 CCW 角度。我希望你用 --deskew 调用，但即便如此，也可能存在一些小的偏差，证明是麻烦的。

日期之间的垂直分隔似乎很大而且很稳固，所以一个日期将以正确的方式先于另一个日期。考虑更多地关注 mm/dd/yyyy 模式而在文本锚点上更少。

您可以 obtain bound box coordinates 从 Tesseract OCR。使用它们来消除日期歧义，根据您对表格上显示较高或较低的内容的了解，以及（大约）多少。

PDF 的光学字符识别 (python)

Optical Character Recognition on PDFs (python)

python

ocr