任何通用布局分析库或不基于OCR的工具？

Question

我在寻找可应用于文本PDF的布局分析库或工具（最好是开源），以识别主要文本内容与侧边栏，章节标题，章节标题（可能甚至是具有装饰/阴影和下划线的花式文档）等。我遇到了像OCRopus这样的工具，它们使用OCR和图像识别来识别布局。有没有可以在没有OCR的情况下执行相同的库？可以从文本PDF中提取文本和图像，并向工具提供包含文本和图像位置的输入;对这样的文件使用OCR将是相当迂回的。

Answer 1

我也不知道这样的独立（如在不依赖于OCR或图像处理）库，但你应该能够使用OCRopus或OCRFeeder（https://live.gnome.org/OCRFeeder）的布局检测片。你看过后者吗？显然，它可以与几乎任何标准的OCR引擎一起工作，这意味着可以通过创建自己的“虚拟OCR”来使用布局分析部分，这种“虚拟OCR”可以根据您的自定义逻辑提取数据（而不是任何实际的图像处理）到OCRFeeder。