从pdf图像文件中提取文本

Question

我有一个图像文件，我想从给定的图像中提取文本，我尝试了各种OCR引擎，但是我无法找到左侧实体和右侧实体之间的关系，因为OCR引擎只是提取文本而没有实体之间的关系。 例如，交易（公司借钱），帐户1：现金帐户2：应付贷款

我尝试使用各种OCR引擎以及PyPDF2和pdftotext 提取文本，并附加了一个图像文件，为此我尝试提取文本并尝试查找左侧实体和右侧实体之间的关系。

Answer 1

• 是否所有要分析的图像都是这样？
• 该示例是否反映了您要分析的图像的真实性？
• 每列的极限值将始终保持在同一位置吗？

由于您未指定，因此我将假设所有人都同意。

主要问题是获取OCR字符串后，您将无法确定空格是单词之间的空格还是列之间的空格。

要解决此问题，请在每列上裁剪图像并分别在每列上执行OCR，因此您应该以3个字符串结尾，每列一个。

用'\\ n'分割每个字符串，您应该有3个数组，每列包含行

比较阵列的大小，如果三个阵列中的任何一个具有不同的大小，则说明提取失败，您应该重试/清理图像。

迭代第二个和/或第三个数组上的元素，查找只是“ \\ n”的元素，假设您此处没有空字段，如果一行仅是“ \\ n”，则必须表示该字段第一列占用2行或更多行，因此请删除第一个和第二个数组上的此元素，并将此元素和下一个数组上的下一个元素连接起来。

如果所有三个数组都具有相同数量的元素，并且您加入了使用不止一行的条目，那么您就可以很好地知道该关系是由数组的位置设置的。