У меня есть много документов баланса счета, мне нужно создать файл Excel из таблицы внутри этих документов. Я могу продолжить обычное распознавание OCR, но основная проблема заключается в том, что в этих PDF-файлах есть верхние колонтитулы страниц, верхние колонтитулы таблиц нижних колонтитулов и т.д. Я хочу проанализировать только выбранную область страницы (с координатами x, y) для каждой страницы. ,
Возможно ли это сделать?
Файлы PDF могут сильно отличаться друг от друга и содержать ссылки, кнопки, поля формы, аудио, видео, бизнес-логику или представлять собой простую коллекцию отсканированных изображений, одно на страницу, даже если они являются стандартными. Действительно, формат переносимого документа, или коротко PDF, является открытым стандартом, поддерживаемым Международной организацией по стандартизации (ISO) [ 1 ].
Стратегия извлечения данных из PDF-файла может соответственно различаться в зависимости от его содержимого, и не всегда наилучшим способом является использование OCR; если данные доступны непосредственно внутри, лучше избегать уровня обработки данных, который не является полностью безошибочным.
txt или в формате csv ; затем вы можете импортировать его в eXcel. Быстрый поиск в выбранной вами поисковой системе даст вам обновленный список "open source" or "freeware" pdf tools export , или вы можете просмотреть страницу википедии о программном обеспечении pdf [ 1b ] .Существуют некоторые инструменты, даже с открытым исходным кодом или бесплатное программное обеспечение, созданные для этой цели и доступные для каждой операционной системы. С помощью программы Adobe вы можете выбрать таблицу и экспортировать напрямую [ 2 ] в xls или xlsx ... Опять же, быстрый поиск в выбранной вами поисковой системе даст вам обновленный список "open source" or "freeware" pdf viewers export table .
Есть некоторые интернет-сайты, которые предлагают бесплатно эту услугу, даже если для счетов я не должен предлагать вам ... в том числе Google Docs один [ 3 ] .
Вы можете нарисовать рамку вокруг части изображения с помощью мыши и затем распознать текущую страницу. Это удобно, если вы просто хотите получить текст из одного региона страницы.
Если ваш OCR не поддерживает эту функцию или вам неудобно обрабатывать много файлов одновременно, вы всегда можете вернуться к Imagemagick [ 5 ] или любому другому инструменту и извлечь фрагмент изображения интересующей области. Затем вы можете предоставить вашему OCR только выбранное изображение , без заголовка или ненужной области.
Так что scan -> extract subimage -> Ocr on the subimage -> данные txt или csv -> eXcel .
С Imagemagick Converter вы можете сделать что-то похожее на
convert -size 2480X3508 -depth 8 -extract 640x480+1280+960 file.pdf img.png
преобразовать файл PDF в файл PNG с размерами страницы A4 для 300 DPI и извлечь поле с геометрическими параметрами [ 6 ] размером 640x480 начиная с точки 1280+960 .
Обратите внимание, что при сканировании вручную вы увидите разные позиции интересующего вас региона для каждой страницы.