Question

我正在使用ocrmypdf。我正在尝试对竞选财务PDF进行OCR。 pdf范例：https://apps1.lavote.net/camp/comm.cfm?&cid=11

我的客户想解析这些pdf以及其他pdf（格式496s，格式497s）。问题是，即使使用相同类型的形式，ocr结果也不一致。

例如，一个pdf（表格460）将产生以下结果：

Statement covers period

from 07/01/2005

through __11/30/2005

和另一个相同类型的结果：

Statement covers period

01/01/2006

from

through 03/17/2006

第一个通知中，第一个日期位于from之后，而第二个通知中，第一个日期位于from之前。尝试解析数据时，这会带来麻烦。

我正在使用所谓的“检查点”来解析相似类型的表单。这是一个示例：

checkpoints = [
        ['Statement covers period from', 'Date From'],
        ['through', 'Date Thru'],
        ['Date of election if applicable:', None],
        ['\n', None],
        ['\\NUMBER Treasurer(s)\n', 'ID'],
        ['\n', None],
        ['COMMITTEE NAME (OR CANDIDATE’S NAME IF NO COMMITTEE)\n\n', 'Committee / Candidate Name'],
        ['\n', None],
        ['NAME OF TREASURER\n\n', 'Name of Treasurer'],
        ['\n', None],
        ['NAME OF OFFICEHOLDER OR CANDIDATE\n\n', 'Name of Officeholder or Candidate'],
        ['\n', None],
        ['OFFICE SOUGHT OR HELD (INCLUDE LOCATION AND DISTRICT NUMBER IF APPLICABLE)\n\n', 'Office Sough or Held'],
        ['\n', None],
    ]

我遍历每个检查点，找到当前迭代的开始索引和结束索引（使用当前检查点和下一个），[0]而不是[1]，然后将内容保存到主对象的键中，像county_object[checkpoint[1]] = contents[start_index:end_index]。

此设置仅适用于我正在解析的pdf。因为即使对于相同的表单类型，ocrmypdf也会产生不同的结果，所以我的设置并不理想。有人可以为我指出正确的方向吗？

谢谢

Answer 1

我认为“完全相同”的460表格之间的区别是由于被扫描而导致的垂直未对准以较小的CW角和另一个以较小的CCW角。希望您使用--deskew进行调用，但是即使这样，可能也会出现一些小的像差，这很麻烦。

日期之间的垂直分隔看起来很大且很稳健，因此，一个日期将以适当的方式先于另一个日期。考虑更多地关注mm / dd / yyyy模式更少的文本锚点。

您可以obtain bound box coordinates来自Tesseract OCR。用它们来消除日期的歧义，根据您对表格上方或下方显示的内容的了解，以及（大约）多少。

PDF上的光学字符识别（python）

1 个答案: