Moj povodny plan bol program ktory nacita zmluvu z PDF suboru, zanalyzuje ju, a poda vystup ktory bude napomocny rucnemu parsovaniu, pripadne vystupom budu data ktore mozu ist priamo do databazy. Cielom boli tieto veci:

1) textovy vystup – prehladavatelny text rozdeleny na odseky (paragrafy) tak ako v dokumente

2) textovy vystup – bez diakritiky pre lahsie vyhladavanie

3) klucove slova – najdenie textov ako napriklad „vymera 1200 m3“ aby tieto boli priamo dostupne

4) klucove slova – nazvy miest, pretoze tie su tiez dolezite, napriklad „Solosnica, okres Malacky“

5) zvyraznenie (vyfarbenie) klucovych slov v PDF

6) ratanie plochy ktora bola vyciernena

Stav po roku je, ze sa mi podarilo pouzit kniznicu ImageMagick a Tesseract OCR na vyber textu z PDF, zmenu textu na bez-diakritikovy (pomocou ICU kniznice) parsovanie klucovych slov, a aj zvyraznenie najdenych klucovych slov v PDF, teda na splnenie bodov 1-5.

Aktualne sa snazim dokonceny nastroj pouzivat pri tagovani.

Problemom je, ze kvalita vstupnych PDF je nizka a text je casto trochu tazsie citatelny pre cloveka a o to viac pre pocitac. Preto je kvalita textu ktory ziskam z PDF velmi nizka (napriklad namiesto textu „Kupujuci: Igor Mrkvicka, Andrea Mrkvickova“ ziskam text „Kuxpujc:: Ig or M kvxcka, Amdxea Mrkxvickova“ co znizuje pouzitelnost nastroja. Jednak sa nedaju spravne najst klucove slova (napriklad v tomto pripade klucove slovo „kupujuci“), a jednak nieje nastroj pouzitelny na vyhladavanie, alebo kopirovanie zoznamu kupujucich do tagovacieho nastroja.

Dalsim planom je teda zlepsovanie procesu OCR – ziskavania textu z PDF bud automatizovanou upravou obrazkov, alebo ladenim parametrov OCR kniznice.

Program

 Miro

tags:program,afp,ocr