自定义训练摘录PDF表格

Question

我有一个包含表的PDF文件，我想把它转换成表结构的数据。

我的PDF文件包含一个相当复杂的表，这使得大多数工具不够。例如，我尝试使用以下工具，但它们没有很好地提取它：AWS Textract、Google AI Document、Google Vision、Microsoft Text Recognition。实际上，Google AI Document成功地做了大约70%的正确，但它还不够好。

因此，我寻找了一种自定义火车模型的方法，以便在提取这个表时，它会正确地提取它。我尝试过Power Builder和Google AutoML实体提取，但它们都没有帮助(BTW，我不是AutoML的目的，是用于预测还是也可以自定义表提取？)

我想知道哪些工具适合我的用例，如果有任何(AI)工具，我可以用来训练这类表格，这样文本提取就会更好。

​

​

Answer 1

大多数文本提取器应该保持这种结构，如果它变得足够清晰，但布局可以是许多变化无常的错误树。

在这里，它正确地发现了reaar的拼写错误，但在1983年5月05日的第一行中失败了。

​

​

在相同的第二关，失败是不同的。

 3      29.06.1983      Part of Ground Floor of       05.05.1983      GM315727
        2 (part of)     Conavon Court                25 years from
                                                     1.3.1983
 4      31.01.1984      Part of Third Floor Conavon   30.12.1983      GM335793
        4 (part of)     Court                        25 years from
                                                     12.8.1983
 5      19.04.1984      I?art of Basement Floor of     23.01.1984      GM342693
        l (part of), 2  Conavon C:ourt                25 years from
         (part of), 3                                 20.01.1984
         (part Of ) , 4
         (part of)
        NOTE: The Lease also grants a right of way for the purpose only of
        loading and unloading and reserves a right of way in case of emergency
        only from the  boiler house adjacent hereto
 6      14.06.1984      Part of Third Floor Conavon   31.10.1983      GM347623
        3 (part of)     Court                        25 years from
                                                     31.10.1983
 7      14.06.1984      Part of the Third Floor       31.10.1983      GM347623
        3 (part: of}, 4  Conavon Court                25 years from
         (part of)                                    31.10.1983
 8      01.10.1984      "The Italian Stallion''       17.08.1984      GM357142
        4 (part of)     Conavon Court (Basement)      25 years from
                                                     20.1.1984
        NOTE: The Lease also grants a right of way for the purpose only of
        loading and unloading and a right of access through the security door
        at the reaar of the building
 9      06.07.2016      3rd floor 14-16 Blackfriars   28.06.2016
        4 (part of}, 5  Streec                       5 years from
         (part of)                                    25/06/2016

这就是OCR的美妙之处，每一个字符的每一次运行都可以有不同的通过率，所以经验显示使用三种估计中最好的一种。因此，运行三种不同的方式和比较字符的字符，保持那些是一致的。