python - 如何在保持文本结构(标题/副标题/正文)的同时为 PDF 文本提取执行 OCR

Question

我一直在无休止地寻找一种可以在保持结构的同时从 PDF 中提取文本的工具。也就是说，给定这样的文本:

---

标题

副标题1

正文1

副标题2

正文2

---

或

---

标题

副标题 1。正文1

副标题2。正文2

---

我想要一个可以输出标题、副标题和正文列表的工具。或者，如果有人知道如何执行此操作，那也会很有用:)

如果这 3 个类别采用相同的格式，这会更容易，但有时字幕可以是粗体、斜体、下划线或 3 种的随机组合。标题也是如此。从 HTML/PDF/Docx 简单解析的问题是这些文本没有标准，所以我们经常会遇到分成几个标签的句子(在 HTML 的情况下)并且真的很难解析。如您所见，字幕并不总是位于给定段落上方，有时也位于项目符号中。这么多可能的格式组合...

到目前为止，我在使用 Tesseract 的 here 和使用 OpenCV 的 here 中遇到过类似的查询，但没有一个能完全回答我的问题。

我知道有一些机器学习工具可以从科学论文中提取“目录”部分，但这并不能解决问题。有谁知道包/库，或者是否已经实现了这样的东西？或者有人知道解决这个问题的方法，最好是用 Python 吗？

谢谢!

编辑:

我指的是来自公司的 10-Ks 文档，比如这个 https://www.sec.gov/Archives/edgar/data/789019/000119312516662209/d187868d10k.htm#tx187868_10并且说，我想以我上面提到的程序化和结构化的方式提取项目 7。但并非所有这些都经过标准化来进行 HTML 解析。 (PDF文档就是将这个HTML保存为PDF)

Answer 1

有些工具可以在一定程度上完成您要求的功能。所谓“一定程度”，是指标题和标题字体属性将在 OCR 转换后保留。

看看 Adob​​e 的 Document Cloud 平台。它仍处于启动阶段，将于 2020 年初启动。但是，开发人员可以通过注册抢先体验计划来抢先体验。所有信息都可以在以下链接中找到:

https://www.adobe.com/devnet-docs/dcsdk/servicessdk/index.html

我亲自试用了该服务，结果看起来很有希望。所有标题和标题案例都会像在输入文档中一样得到识别。提供此确切功能的微服务是“ExportPDF”服务，可将扫描的 PDF 文档转换为 Microsoft Word 文档。

示例代码位于:https://www.adobe.com/devnet-docs/dcsdk/servicessdk/howtos.html#export-a-pdf