Прочитать текст из PDF через OCR в R - PullRequest
Новая
       59

Прочитать текст из PDF через OCR в R

0 голосов
/ 15 апреля 2020

data

Я читаю данные PDF в R, через Tesseract и OCR, у меня есть некоторые данные в документах PDF, как указано выше. Я хочу прочитать адрес и Пол как Женский. Как я могу прочитать это правильно, так как я не получаю никаких указателей для чтения флажков в R через OCR, и когда я читаю, я не могу назначить адрес правильно.

1 Ответ

0 голосов
/ 16 апреля 2020

Это возможный ответ на вопрос о том, как распознать флажок. Не имея большего образца PDF, я не могу быть на 100% уверен, что это правильно. Я загрузил копию вашего изображения, чтобы сделать это. 

library(tabulizer)
library(dplyr)
library(tibble)
library(tidyr)
library(readr)
library(stringr)

# path to your pdf

pdf_file <- "wF8L3.pdf"


# manually locate the area of text containing the check box

locate_areas(pdf_file)


# [[1]]
# top     left   bottom    right 
# 11.4404 197.3523  56.6117 316.4253 

#  I just copy and paste this into the extract_text function below


# extract pdf text

txt <- 
  extract_text(pdf_file, area = list(c(11.4404, 197.3523,  56.6117, 316.4253))) %>% 
  read_lines()

# turn into a tibble and wrangle
# this may not be the most efficient way and may need to be adapted for your use case.
# there is no magic. Data wrangling pdfs is a pain in my experience and requires alot of time.
# to determine if a box is ticked or not is done by inspection of the character which is generated by the tick box by the pdf reading process.
# For this to work it will need to be consistent in your document.

tib <- 
  tibble("gen" = txt[1], 
         "mf" = txt[2]) %>%
  separate(col = mf, into = c("m", "f"), sep = "I") %>% 
  mutate(m_tick = case_when(str_detect(m, "o") ~ FALSE,
                           TRUE ~ TRUE),
         f_tick = case_when(str_detect(f, "El") ~ TRUE,
                           TRUE ~ FALSE))

Надеюсь, вы сможете адаптировать это для своего варианта использования.

...