从pdf图像文件中提取文本

Question

我有一个图像文件，我想从给定图像中提取文本，我尝试了各种 OCR 引擎，但我无法找到左侧实体和右侧实体之间的关系，因为 OCR 引擎只是提取没有关系的文本实体之间。 例如交易（公司借钱），账户#1：现金账户#2：应付贷款

我尝试过使用各种 OCR 引擎和 PyPDF2 和 pdftotextI have attached an image file for which I am trying extract text and trying to find the relationship between the left entity and right side entity 进行文本提取

Answer 1

• 所有的图像都要这样分析吗？
• 该示例是否反映了您将要分析的图像的真实情况？
• 每列的界限是否总是在同一位置？

由于您没有指定这一点，我将假设所有人都同意。

主要的问题是得到OCR字符串后，你将无法判断空格是单词之间的空格，还是列之间的空格。

要解决此问题，请裁剪每一列的图像并分别对每一列进行 OCR，因此您最终应该得到 3 个字符串，每列一个。

用'\n'分割每个字符串，你应该有3个数组，每列包含行

比较数组的大小，如果 3 个数组中的任何一个大小不同，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，寻找只是“\n”的元素，假设你不能在这里有空字段，如果一行只是一个“\n”，那一定意味着第一列的字段使用了 2 行或更多行，因此请删除第一个和第二个数组上的这个元素，并将这个元素和第一个数组上的下一个元素连接起来。

如果所有三个数组的元素数量相同，并且您加入了使用多于一行的条目，那么您就可以知道关系是由数组的位置设置的。