议会辩论中PDF的光学字符识别

Question

对于一个合同工作，我需要数字化的许多旧的，扫描-图形的全体辩论协议PDF来自德国联邦议会。

问题是，这些文件大多采用两列格式：

样本协议http://sert.homedns.org/img/btp12001.png

我很想看看你对我以下问题的回答：

1. 在输入OCR之前，我如何分割这两列？
2. 您推荐哪种商业开放源码的OCR软件或框架?为什么？

请注意，任何工具，编程语言，框架等都是好的。不要犹豫，推荐深奥的产品，图书馆，如果你认为他们是为朱布^__^！

更新：这些文档已经被议会o_O：示例 (与上面的图像相同)扫描了，并且有很多文件，我想尽快交付合同，所以我不能去拿同样的文件的打印副本，自己剪切和扫描它们。他们太多了。

诚挚的问候,

塞廷塞特

Answer 1

扫描前把中间的页码切下来。

Answer 2

这取决于您正在使用的OCR软件。几年前，我用OCR做了一些工作，我不太记得它的名字，但我认为有很多替代方案。无论如何，这个API允许我将页面上的区域定义为OCR，如果您总是大致知道列在哪里，可以使用SDK来映射页面的部分内容。

Answer 3

我用Omnipage 17来做这样的事情。它也有一个批处理模式，您可以将文档放在文件夹中，在文件夹中抓取文档，并将结果放入另一个文件夹。它自动识别布局、包含列，或者可以将默认布局设置为列。您可以设置输出应该是什么样的许多选项。但是尝试一个演示，如果它是正确的。我目前在一些文件中遇到了一些结束语的问题。所以像"fliegen“这样的词是"fl iegen”，所以你必须拼写它们。