【发布时间】：2021-07-19 08:38:30
【问题描述】：
我正在尝试使用名为Textricator 的PDF 文档解析器。它可以使用 3 种不同的方法来解析带有一些常见 OCR 库的 PDF。 (itext5, itext7, pdfbox) 可用的方法有：text、table 和 form。 Text 用于普通的原始 OCR 识别，table 用于读取结构化表格数据，form 用于解析较少结构化的表单，使用 Finite状态机 (FSM)。
但是，我无法使用 form 解析器。也许我根本不明白如何组织许多配置状态。该文档缺少一个简单的表单示例，最近有人使用 form 方法发布了一个attempt to read a very basic table，但无法做到。我也试了一下，但没有成功。
问：谁能帮我在 YML 文件中配置状态机？
（这用于从该 repo 的 issues 之一解析演示文件，并显示在下面的复制屏幕截图中。）
YML 配置文件。
extractor: "pdf.pdfbox"
header:
default: 100
footer:
default: 600
maxRowDistance: 2
rootRecordType: item
recordTypes:
item:
label: "item"
valueTypes:
- item
- date
- description
- order_number
- quantity
- price
valueTypes:
item:
label: "Item"
date:
label: "Date"
description:
label: "Description"
order_number:
label: "OrderNo"
quantity:
label: "Qty"
price:
label: "Price"
initialState: "INIT"
states:
INIT:
transitions:
-
condition: item
nextState: item
item:
startRecord: true
transitions:
-
condition: date
nextState: date
date:
include: true
transitions:
-
condition: description
nextState: description
description:
include: true
transitions:
-
condition: description
nextState: description
-
condition: order_number
nextState: order_number
-
condition: quantity
nextState: quantity
order_number:
include: true
transitions:
-
condition: order_number
nextState: order_number
-
condition: quantity
nextState: quantity
quantity:
include: true
transitions:
-
condition: price
nextState: price
price:
include: true
transitions:
-
condition: end
nextState: end
end:
include: false
transitions:
-
condition: any
nextState: end
conditions:
item: '73 < ulx < 110 and text =~ /(\\d)*/'
date: '110 < ulx < 181 and text =~ /([0-9\-]*)/'
description: '193 < ulx < 366'
# order_number: '12 <= uly_rel <= 16 and text =~ ^.+/((\d{6})\-)((\d{2}))/'
order_number: '12 <= uly_rel <= 16 and text =~ ^.+((\d{6})\-)((\d{2}))'
quantity: '393 < ulx < 459'
price: '459 < ulx < 523'
end: 'text =~ /(Footer)/'
any: "1 = 1"
您可能想知道为什么我在这个简单的示例中坚持使用 form 处理器，但这是因为在我的实际文档中，我将有一个更复杂的子项目子结构描述字段。这只能（？）由状态机 AFAIK 有效处理。
但是，也许这不是适合这项工作的工具？那么还有哪些其他选择呢？
更新：（2021-05-18）
Textricate 的作者现在已经修改了使用的库、文档并更正了几个工作示例和用户问题。感谢用户 mweber，我现在有了一个完美运行的解析器，不再需要使用 awk 到handle weird columns。
【问题讨论】：
标签： itext ocr pdfbox text-extraction