当行数据分为两个单独的页面时，如何正确地从 pdf 中提取表格数据？

Question

我的任务是解析来自 pdf 的表格数据。 我在 python 中使用“tika”库，这很好，但有一个问题如下：

Pdf 具有表格格式的文本，行的一半在第二页结束，这将表的键和值数据划分为两个不同的页面，我认为 tika 将这一行视为两个单独的行。

在此处输入图像描述

output 将在不正确的键之间添加值。

例如：

str = "这是长键数据xxxxxxx值xxxxxxxxx剩余键数据"

有什么建议么？

Answer 1

您可以尝试使用 tesseract psm： Pytesseract OCR multiple config options

To set the different psm in tika (1 is default value) you can either: use the header: X-Tika-OCRPageSegMode: xx or use the tesseract config: https://tika.apache.org/1.24/api/org/ apache/tika/parser/ocr/TesseractOCRConfig.html#setPageSegMode-java.lang.String-