从OCR文本中提取键值对

Question

我应该使用OCR来识别法律文档中的文本，提取相关的键和它们的值(大约40个属性)，然后将它们存储在excel表中。

我已经实现了OCR部分，并让我的字典定义了如下内容

dictionary = {"Lease Term":["<data in years>"], "Rent" : ["<maybe float numbers>"], "Car parking Spaces":["<number of parking spaces>"], Lessor Name:["<String value>"]}

我的问题是，一旦我识别了文本，并使用nltk标记，我如何继续并实际识别需要提取的文本？当然我可以识别文本中的键，但是实际获得键对的值的方法是什么呢？

我阅读了其他答案，似乎可以使用正则表达式匹配或手动训练100个左右的样本文档(我大约有700个)的数据是解决这个问题的方法，但如果我试图向团队中的任何人(非技术财务人员)解释这个难题，他们往往会忽略这些术语，并要求我在几天内实现所有这些。

我确信正则表达式和NLP方法都需要手工工作，因为我必须在我将获得的示例文档上进行测试，而且是在我的代码中实现它们之后(为此，我必须从头开始学习这些东西)。

请描述一种可以帮助解决问题的方法。

Answer 1

AWS Textract将允许您从文档中检测键值对。它将提取的表单数据表示为键-值对。键值对作为块对象返回，您可以使用'EntityType‘属性来确定块是键还是值。块对象只是一组包含键值信息的链接数据项

希望这能有所帮助：https://aws.amazon.com/textract/