☰

OCR PDF 解析选定区域

tag-icon • tag-icon pdf ocr
OCR PDF 解析选定区域

我有许多账户余额文件，我需要从这些文件中的表格创建一个 Excel 文件。我可以进行常规 OCR 识别，但主要问题是这些 PDF 有页眉、页脚、表格标题等，我想只解析每页的选定区域（带有 x、y 坐标）。

这可能吗？

答案1

PDF 文件彼此之间可能有很大差异，包含链接、按钮、表单字段、音频、视频、业务逻辑，或者它们可以是一页一页的扫描图像的简单集合，即使它们是标准的。事实上，便携式文档格式，简称PDF，是国际标准化组织 (ISO) 维护的开放标准[1]。

从 PDF 中提取数据的策略会根据其内容而有所不同，并且使用 OCR 并不总是最好的方法；如果数据直接在内部可用，最好避免不完全无错误的数据处理级别。

  • 如果 PDF 是从文字处理器文档（Word、Latex...）创建的，则很有可能成功提取数据，而无需重复任何光学字符识别 (OCR)软件。使用某些查看器，您可以选择表格并至少以txt格式或格式导出/保存选择csv；然后您可以将其导入 eXcel。在您首选的搜索引擎上快速搜索将为您提供更新的列表"open source" or "freeware" pdf tools export，或者您可以查看有关 pdf 软件的维基百科页面[1b]。

  • 有一些工具，甚至是开源或免费软件，是为此目的而创建的，可用于每个操作系统。使用 Adob​​e 程序，您可以选择表格并直接导出[2]或... 再次快速搜索您首选的搜索引擎会给你一个更新的xls列表。xlsx"open source" or "freeware" pdf viewers export table

  • 有些互联网网站免费提供这项服务，即使对于账单，我不应该建议你...包括谷歌文档一[3]。

  • 最后但同样重要的是，如果它们是图像或其他策略失败，您可以使用 OCR，设置一个框来限制 OCR 选项。使用 FreeOCR [4]例如，您可以选择执行 OCR 的框...

    您可以使用鼠标在图片的一部分周围画一个框，然后对当前页面进行 OCR。如果您只想从页面的一个区域获取文本，这种方法非常方便。

  • 如果你的 OCR 不支持该功能，或者同时处理多个文件不太方便，你可以随时使用 Imagemagick [5]或任何其他工具并提取子图像感兴趣区域。然后你可以只给 OCR 提供所选的子图像，没有标题或无用区域。
    因此scan--> extract subimage--> Ocr on the subimage-->txt或csv数据--> eXcel。

    使用 Imagemagick convert 你可以做类似的事情

    convert -size 2480X3508 -depth 8 -extract 640x480+1280+960 file.pdf img.png

    将 PDF 文件转换为 PNG 文件，A4 页面尺寸为 300 DPI，并提取具有几何参数的框[6] 从640x480点开始1280+960。
    请注意，如果手动扫描，您将看到不同的位置感兴趣区域每页。

相关内容