當行數據分為兩個單獨的頁面時，如何正確地從 pdf 中提取表格數據？

Question

我的任務是解析來自 pdf 的表格數據。 我在 python 中使用“tika”庫，這很好，但有一個問題如下：

Pdf 具有表格格式的文本，行的一半在第二頁結束，這將表的鍵和值數據划分為兩個不同的頁面，我認為 tika 將這一行視為兩個單獨的行。

在此處輸入圖像描述

output 將在不正確的鍵之間添加值。

例如：

str = "這是長鍵數據xxxxxxx值xxxxxxxxx剩余鍵數據"

有什么建議么？

Answer 1

您可以嘗試使用 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-