PDF დოკუმენტებიდან სტრუქტურირებულ მონაცემამდე

ველების ამოღება განსხვავებული PDF-ებიდან

დავალება მოიცავდა სკანირებულ გვერდებს და ჩაშენებული ტექსტის დოკუმენტებს. მიზანი იყო ცხრილების, ტექსტური ბლოკების, სათაურებისა და მეტამონაცემის სტრუქტურირებულ შედეგად ქცევა. მრავალი გვერდი, სხვადასხვა ენა და განსხვავებული განლაგება საქმეს უბრალო ტექსტის ექსპორტზე რთულს ხდიდა.

გვერდის სურათიდან ჩანაწერამდე

მონახაზში იყო Python, pdf2image, Tesseract pytesseract-ის მეშვეობით და OpenCV. საჭიროებისას გვერდი სურათად იქცეოდა, შემდეგ გამოიყენებოდა ნაცრისფერი ტონი, ხმაურის შემცირება და ადაპტური ზღურბლოვანი დამუშავება. ტექსტი და ცხრილი ცალკე მუშავდებოდა; Pandas ორგანიზებასა და გასუფთავებას ემსახურებოდა.

შემოთავაზებული შედეგები იყო JSON, CSV და MariaDB. ჯგუფური დამუშავება მოიცავდა დასახელებას, პროგრესსა და დიდი ფაილის რესურსებს. ოპერატორისთვის განიხილებოდა ტერმინალი ან გრაფიკული ინტერფეისი. წყარო შეიძლებოდა ყოფილიყო Google Drive ან Dropbox; REST API სხვა პროგრამის PDF-ს მიიღებდა და მონაცემს დააბრუნებდა.

შემოწმების მომლოდინე გვერდები

გეგმაში იყო შეცდომის ჟურნალი, პრობლემური გვერდის ანგარიში და ხელით შემოწმება. სიმბოლოს ამოცნობა არ ნიშნავს რაოდენობის, თარიღის ან ცხრილის კავშირის სწორ გაგებას. მოთხოვნილი იყო სხვადასხვა დოკუმენტის ტესტი და სიჩქარის/სიზუსტის გაუმჯობესება, მაგრამ გაზომილი სიზუსტე, საკონტროლო მონაცემი და საბოლოო წარმადობა მოცემული არ იყო.

ახალ პროცესში მიღებას რეალური ნიმუში და შემდგომი სისტემისთვის მნიშვნელოვანი ველები განსაზღვრავს. გამონაკლისი მონაცემთა ბაზაში ჩუმად მოხვედრის ნაცვლად შემმოწმებელთან უნდა დაბრუნდეს.

Python, AI პროცესები, დოკუმენტიდან წარმოების შეკვეთა. განვიხილოთ თქვენი დოკუმენტები.

აღწერის სტატუსი

ადრინდელი PDF გვერდი მოთხოვნებს და განხორციელების გეგმას ასახავს. დანერგვა, მიმდინარე მუშაობა და გაზომილი შედეგები დადასტურებული არ არის.