从 PDF 文档中提取文本和标签

Question

我正在尝试检测和提取使用 python 保存为 PDF 的 2D 技术图纸的“标签”和“尺寸”。 我遇到了一个名为“pytesseract”的 Python 库，它具有光学字符识别功能。 我在我的图像上尝试了演示，但它无法检测到大部分标签/尺寸。 请建议是否有其他方法可以做到这一点。 谢谢**。

** 附件是我尝试检测的 2D 技术图纸样本

** 我想要实现的是能够获得图像上每个维度（160,120,10 4x45 等）的坐标，并提取它们。

Answer 1

大约 16 个月前，我们问自己同样的问题。 如果你想自己实现它，我建议采用以下过程：

1. 从工作表中提取画布
2. 分离切口
3. 检测每个切割上的测量区域
4. 检测测量区域的各个属性以了解测量开始和结束的位置。 在您的特定示例中，这相对容易。
5. 通过 OCR 运行检测到的度量标签
6. 将标签与度量相关联
7. 验证您的结果

或者，您也可以通过我们的 API 运行它并以 JSON 形式获取结果。

这是结果的快速可视化：绘图读取（GT 代表一般公差）