基于tesseract-ocr的pdf文件解析方法专利查询专利号|摘要-满商公司网

基于tesseract-ocr的pdf文件解析方法

基本信息

申请号	CN201910436587.3	申请日	-
公开（公告）号	CN110188649A	公开（公告）日	2019-08-30
申请公布号	CN110188649A	申请公布日	2019-08-30
分类号	G06K9/00	分类	计算；推算；计数;
发明人	金霞	申请（专利权）人	成都火石创造科技有限公司
代理机构	杭州求是专利事务所有限公司	代理人	刘静;邱启旺
地址	610200 四川省成都市天府国际生物城(双流区生物城中路二段18号)
法律状态	-

摘要

本发明公开了一种基于tesseract‑ocr的pdf文件解析方法，该方法用fitz工具包把pdf文件转换为图片序列；针对图片序列的每一个图片，用TableBank工具得到表格的多个区域位置；利用tesseract‑ocr进行图片中的图提取、表格单元格的提取和识别：本发明在tesseract‑ocr基础上，通过结合TableBank的表格检测和表格结构识别模型，得到了表格各单元格中的内容；匹配docx解析结果，解决了ocr识别错误的问题；对tesseract‑ocr的ocr模型进行替换，提升了识别的准确率和速度。本发明具有表格结构识别的功能、ocr错误纠正的功能，优化了模型的准确率和速度，纠正了多栏排版下的段落顺序混乱问题，以及部分段落或表格丢失的问题。