[发明专利]基于tesseract-ocr的pdf文件解析方法

摘要

本发明公开了一种基于tesseract‑ocr的pdf文件解析方法，该方法用fitz工具包把pdf文件转换为图片序列；针对图片序列的每一个图片，用TableBank工具得到表格的多个区域位置；利用tesseract‑ocr进行图片中的图提取、表格单元格的提取和识别：本发明在tesseract‑ocr基础上，通过结合TableBank的表格检测和表格结构识别模型，得到了表格各单元格中的内容；匹配docx解析结果，解决了ocr识别错误的问题；对tesseract‑ocr的ocr模型进行替换，提升了识别的准确率和速度。本发明具有表格结构识别的功能、ocr错误纠正的功能，优化了模型的准确率和速度，纠正了多栏排版下的段落顺序混乱问题，以及部分段落或表格丢失的问题。

主权项

1.一种基于tesseract‑ocr的pdf文件解析方法，其特征在于，该方法包括以下步骤：(1)用fitz工具包把pdf文件转换为图片序列；(2)针对图片序列的每一个图片，用TableBank工具得到表格的多个区域位置TableArea[1,…n]，n为该图片中的表格总数；(3)利用tesseract‑ocr进行图片中的图提取、表格单元格的提取和识别：(3.1)形态学预处理和连通域分析：得到线条、图像区域和文字块blob；(3.2)文本行结束位置(tab‑stop)检测：得到每一行文本的开始和结束位置；(3.3)发现列排版(column layout)：得到文本的顺序；(3.4)得到各个块block，块block有多种类型，包括文本块、图像块、表格块，每个块有多个文本行；(3.5)表格的处理：用步骤2得到的表格区域TableArea代替步骤3.4中的表格块；利用在TableArea[i]区域中的线条，把在TableArea[i]中的文本行分隔到各个单元格中，完成表格单元格的识别；(3.6)对各个文本块的每一行、表格每个单元格中的文本行，用lstm模型进行识别，得到每个词的位置和内容，此时表格中的文本带有所在的表格index、所在的单元格行列index。