使用Tesseract的hOCR文件/确定是否有高质量的文本层
我有一个Tesseract 4.0设置，我们正在使用一个LSTM模型的OCR；传入的扫描PDF被解构成单独的300dpi上采样的PNG，然后去偏斜和OCR‘，然后重新组装成一个PDF与文本层，同时也保存每个页面PNG进一步显示在web浏览器中。
有时，我们收到的PDF已经被专业地转录了文本层，在这些层上运行Tesseract会导致准确性的损失。
对于机器学习应用程序，我们还需要稍后根据特定标签对PNG页面的某些部分进行分类。
所以问题是：
1)有没有办法确定PDF是否已有文本层并确定该文本的准确性？
2)是否可以将已经包含文本层的hOCR分解为单独的每页PDF文件，以便可以使用边界框突出显示这些页面的特定区域，并使用从相应hOCR文件中检索到的该区域的文本？
3)当使用Tesseract将OCR文本保存为hOCR格式时，这是否提供了足够的信息，以便能够从hOCR文件中检索与创建hOCR文件的PNG上的确切区域相对应的任意文本块？
提前感谢
回答 1
Stack Overflow用户
发布于 2018-02-14 15:19:16
有不同的工具可以将带有文本层的PDF转换为简单的文本或一些超文本标记语言；只需搜索pdf2text或pdf2html即可。因此，您可以通过使用这样的工具并检查文本内容是否是非空的，来确定PDF是否有文本层(问题1.a)。此外，我建议对文本进行一些健全的检查(例如，合理的单词长度，字典中的一些单词)，以避免只有乱码文本(问题1.b的一部分)。
我不知道有任何pdf2hocr工具(问题2)。想出这样的东西当然是可能的。但是，使用前面提到的某个pdf2html工具的输出可能更容易。在ocr文件格式存储库中有一个相关的问题：https://github.com/UB-Mannheim/ocr-fileformat/issues/57
Tesseract的hocr输出将为您提供每行和每个单词的边界框的坐标。因此，您可以计算给定区域的哪些行或单词与其相交，并输出其文本内容(问题3)。但是，您没有字符的位置。
https://stackoverflow.com/questions/48778859
复制相似问题
腾讯云开发者
