Tesseract vs таблицы. Распознавание документов

[@lmike]

есть инструмент для предобработки изображения — ScanTailor, результаты я сравнивал с подготовленным изображением ABBYY FlexyCapture (сравнивал по факту качества распознавания, в т.ч. tesseract)
ScanTailor — ощутимо лучше (бледные, с экономией тонера печатные материалы)
и ещё момент — если вопрос в бесплатности — подход с tesseract имеет право на жизнь, в коммерческом применении сомнительный вариант

[@trim89]

Делать платное именно API — ну такое себе, а вот платную парсер полученных данных с этого API с загрузкой в БД — вполне. Так как я 1с-ник, то там такое сверх актуально, несмотря на ЭДО. Разные решения, стоят 6-10р за лист.

Я не смог найти есть ли программное использование ScanTailor. Там только работа с интерфейсом?

[@lmike]

Я не смог найти есть ли программное использование ScanTailor. Там только работа с интерфейсом?

там есть cli

Разные решения, стоят 6-10р за лист.

я не помню цену ABBYY FC (зависит от варианта), но там гибко настраиваемый шаблон и «рабочее место» для оператора (обработка результатов автоматического распознавания)

[@trim89]

ABBYY FC — это крутая штука. Покупается один раз, но там есть лимит по количеству листов в месяц и оно само по себе стоит больше миллиона.

[@lmike]

у нас «немалый» объем первичных документов, для сканирования, в «лимит» укладываемся.
Просто «устойчивое» распознавание с tesseract + OpenCV — это достаточно непростая (КМК) тема и на неё надо потратить время (которое тоже деньги)

[@beho1der]

Выложили бы на github код для обработки!

[@trim89]

Думаю, стоит. Я в pyton всего пару месяцев тыкаю, до конца не разобрался в PyCharm. Пытался синхронизировать домашний и рабочий комп через github. Почитал инструкцию, по ней не получалось, постоянно какие то ошибки сыпались. Через 3 часа забил на это. Выгрузил файлик requirements, и тупо скопировал проект. На неделе попробую заново разобраться.

[@alan008]

Планируете сделать код открытым?

[@trim89]

github.com/Trim891/API

[@saintbyte]

А ещё бывают таблицы с белыми границами на белом :)

[@trim89]

А бывают ещё округлые таблицы. На инвойсах видел.

[@nsmcan]

В плане распознавания таблиц из PDF, рекомендую взглянуть на https://tabula.technology
Проект open-source.
Посоветовал своей жене в работе — она не нарадуется.

[@lmike]

этот проект для «текстовых» PDF, OCR надо отдельно
программно подобные PDF вполне обрабатываются через PDFbox, я использовал его для извлечения текста по «готовым» координатам на странице (типа — определить как таблицу в некой области)

[@Ochita]

На одном из проектов краем уха слышал об использовании github.com/HazyResearch/fonduer для парсинга таблиц из pdf. К сожалению об успешности ничего сказать не могу, ушел раньше. Я с другой командой использовал части исходного кода github.com/HazyResearch/pdftotree и библиотеку github.com/pdfminer/pdfminer.six для похожей цели. там можно получить линии с координатами и блоки текста с координатами и текстом, но не для всех документов.

[@FruTb]

По задаче с выкидыаанием лишних контуров я-бы посоветовал попробовать использовать комбинацию Dilate/Erode — очень много малых контуров просто пропадет ещё до иерархической обработки

[@trim89]

я использую erode после инвертирования threshold. Именно в выкидывании контуров разницы я не заметил особой, а вот в корректном определении границ — это да.