تبدیل پیدیاف به متن و جدول با هوش مصنوعی
از یک گزارش چندستونه متن خوانا و جدول قابل استفاده بگیرید. صفحههایی که از روی تصویر خونده شدن هم مشخص میشن تا بتونید عددها رو با اصل فایل چک کنید.
تبدیل پیدیاف به متن و جدول با هوش مصنوعی وقتی ارزشش رو نشون میده که با کپی کردن یک گزارش، خط اول ستون راست به وسط جمله بعدی میچسبه یا عددها از زیر عنوان خودشون جابهجا میشن. اسکیل pdf-parser اول صفحهها رو نگاه میکنه تا بدونه کجا متن قابل خوندن هست، کجا جدول داره و کدوم صفحه فقط تصویره. بعد برای هر بخش راه مناسب رو به کار میگیره.
دو خروجی کنار هم دارید. نسخه Markdown برای خوندن و ویرایش گزارشته. نسخه JSON میگه هر تکه متن، تصویر یا جدول از کدوم صفحه اومده و کجای اون قرار داشته. اگر عددی رو از روی تصویر خوندید، میتونید این موضوع رو هم در داده ثبت کنید تا دفعه بعد بدونید برای چک کردنش باید به کجا برگردید.
کاربردها
- استخراج جدول از گزارش سالانه برای بررسی دوباره رقمها و عنوان ستونها کنار صفحه اصلی.
- تبدیل پیدیاف به Markdown برای وقتی که میخواید بخشهایی از یک گزارش چندصفحهای رو در یادداشتهاتون استفاده کنید.
- خواندن صفحه اسکنشده در میان فایلهایی که بیشتر صفحههاشون متن قابل انتخاب دارن.
- بررسی ترتیب ستونها در بروشور یا مقالهای که متنش با کپی معمولی به هم میریزه.
- پیدا کردن صفحههایی که اطلاعات نمودارشون داخل تصویره و برای ثبت عددها باید از روی خود شکل خونده بشن.
نصب و استفاده
- یک ایجنت با دسترسی به فایل، پایتون و کتابخونههای PyMuPDF و pdfplumber لازم دارید. برای خوندن صفحههای تصویری، ایجنتتون باید امکان دیدن تصویر هم داشته باشه.
- فایل و پوشه خروجی رو مشخص کنید و اول فهرست صفحههایی رو ببینید که به خوندن تصویری نیاز دارن.
- بعد از استخراج، جدولهای مهم و ترتیب متن رو با اصل صفحه چک کنید. جاهایی که نتیجه از روی تصویر نوشته شده باید در هر دو خروجی تکمیل بشن.
سوالات متداول
منبع
ساخته memtomem. نام اصلی: pdf-parser، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub