此功能的目的是允许用户将PDF文件上传到前端（Angular）并在屏幕上显示PDF文件的信息。但它不显示完整的PDF文件，只显示所包含的信息。
为此，我想我可以将PDF文件转换为. txt文件或类似的文件，让提取信息。
- 示例：**
- Input：Cedula de Identificación Fiscal.pdf <--file Example pdf information
- 输出：{name：Gregorio Emanuel Hernandez Rivera，address："..."，...，etc.}
2条答案
按热度按时间ergxz8rk1#
您可以使用tesseractJS从pdf中读取文本。
1sbrub3j2#
默认情况下，OCR将没有此类字段的上下文。
您有几个选项，具体取决于您的方案：
1.所有文档都遵循相同的模板（如提供的），并且分辨率相同。
如果您使用的是少量字段，请执行OCR并创建预期字段及其像素坐标的JSONMap，例如{“name”：[x1，y1，x2，y2]，...}，然后将这些ROIMap回OCR输出。大多数OCR引擎支持单词级别的坐标输出。
1.所有的文档都遵循相同的模板（如提供的），但可以扫描或作为图片（让我们说通过移动的）。
您需要使用关键点Map进行一些图像转换，以将其与模板文档匹配。你可以试试选项1。
1.这些文档不遵循任何模板（提供的示例只是一个示例）。
在这种情况下，考虑到您列出的字段，我认为尝试的一个选项是首先对图像进行OCR，然后对提取的文本利用命名实体识别（NER）来确定您列出的字段（名称，地址等）。例如，请参见：spaCy NER。
另一件事，你应该考虑的是，你得到的PDF是否已经有一个文本层。如果PDF已经有一个文本层，你不需要OCR，可以直接解析文本。在这种情况下，您可能需要考虑跳过OCR处理，而只尝试类似NER的方法来提取名称和地址。如果NER没有给出好的结果，你应该回到选项1和2。