pdf图像的文本提取

Question

我有一个图像文件，我想从给定的图像中提取文本，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引擎只是提取文本，而没有实体之间的关系。 例如交易（公司借款），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

• 所有的图像都是这样分析的吗？你知道吗
• 这个例子是否反映了你将要分析的图像的真实性？你知道吗
• 每列的限制是否总是在同一位置？你知道吗

既然你没有具体说明，我就假设你同意。你知道吗

主要的问题是在获得OCR字符串之后，您将无法确定空格是单词之间的空格，还是列之间的空格。你知道吗

要解决这个问题，裁剪每一列上的图像，然后分别对每一列进行OCR，这样就应该得到3个字符串，每一列对应一个字符串。你知道吗

按'\n'分割每个字符串，您应该有3个数组，每个列中包含行

比较数组的大小，如果3个数组中的任何一个大小不同，则表示提取失败，您应该重试/清理映像。你知道吗

迭代第二个和/或第三个数组上的元素，查找仅为“\n”的元素，假设此处不能有空字段，如果一行仅为“\n”，则意味着第一列上的字段将使用2行或更多行，因此请删除第一个和第二个数组上的此元素，并将此元素与第一个数组上的下一个元素合并。你知道吗

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