Bolehkah Anda Mengekstrak Data Jadual Berstruktur daripada PDF Tanpa OCR?

Mengekstrak Data Jadual Berstruktur daripada PDF Tanpa OCR

Mengekstrak jadual daripada dokumen PDF sambil mengekalkan strukturnya boleh menjadi mencabar tanpa menggunakan OCR. Tugas ini memerlukan meniru keupayaan pengecaman jadual manusia dalam kod.

Dalam kes contoh yang diberikan, terdapat halangan tambahan untuk diatasi: PDF tidak mengandungi data pengekstrakan teks langsung. Percubaan untuk menyalin dan menampal teks dalam Adobe Reader menghasilkan aksara separa rawak, menunjukkan bahawa fon yang digunakan dalam dokumen tidak dikodkan dengan betul.

Ini bermakna pengekstrakan teks yang boleh dipercayai adalah mustahil tanpa menggunakan OCR. Untuk menentukan sama ada pengekstrakan teks boleh dilakukan sama sekali, adalah disyorkan untuk mencuba menyalin dan menampal daripada Adobe Reader, kerana kaedah pengekstrakan teksnya adalah mantap. Jika tiada teks yang masuk akal boleh diekstrak, mencari penyelesaian pengekstrakan teks yang sesuai akan menjadi lebih mencabar.

Untuk PDF masa hadapan yang dijana oleh perisian yang sama, masih mungkin untuk membangunkan penyelesaian tersuai berdasarkan dalaman fail struktur. Walau bagaimanapun, untuk PDF dengan kedudukan jadual yang berbeza-beza, pendekatan ini mungkin tidak praktikal.

Atas ialah kandungan terperinci Bolehkah Anda Mengekstrak Data Jadual Berstruktur daripada PDF Tanpa OCR?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!