Я работаю над проектом, где у меня есть данные в виде изображения jpg (у меня есть такая же копия в pdf), и я пытался преобразовать pdf в csv, но не удалось успешно преобразовать все данные как у меня есть некоторые нечитаемые символы. Потому что, если этот PDF-файл находится на английском языке sh, я могу каким-то образом успешно преобразовать в CSV, но если он в символах utf-8 (индийский язык), тогда у меня возникла проблема с преобразованием. Итак, следующий вариант, который я попробовал, - это API облачного видения OCR, который был предоставлен Google. Я могу успешно извлечь текст из этого прикрепленного изображения независимо от символа engligh или utf-8, но его преобразование извлеченного текста в строку кажется сложным. Я не знаю, есть ли у нас API для чтения оглавления.
введите описание изображения здесь
Это фактическое изображение на английском языке sh, но у меня те же данные в utf-8. Когда я использую api облачного видения, я получаю следующий результат (примечание: я пробовал использовать будущий тип DOCUMENT_TEXT_DETECTION и TEXT_DETECTION).
[
{
"mid_": "",
"locale_": "en",
"description_": "Page:1\nSI.No\nName of the agent\nIncentive\nAmt\nExecutive\n|1111 Main street -\nJames mart, Sales executive)\n1112 Main street -\n|Cameron mart, Sales executive)\n1\n200001\n2\n50001\nAgent\n1113 Main street -\nJames mart, Internal agent\n|(Comercial devision)\n1114 Main street
-\nCameron mart, Sales executive)\n1000\n3\n1500\n",
"score_": 0,
"confidence_": 0,
"topicality_": 0,
"boundingPoly_": {
"vertices_": [
{
"x_": 25,
"y_": 31,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 690,
"y_": 31,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 690,
"y_": 457,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 25,
"y_": 457,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
}
],
"normalizedVertices_": [],
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
"locations_": [],
"properties_": [],
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"mid_": "",
"locale_": "",
"description_": "Page:1",
"score_": 0,
"confidence_": 0,
"topicality_": 0,
"boundingPoly_": {
"vertices_": [
{
"x_": 631,
"y_": 32,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 690,
"y_": 31,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 690,
"y_": 48,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 631,
"y_": 49,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
}
],
"normalizedVertices_": [],
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
"locations_": [],
"properties_": [],
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"mid_": "",
"locale_": "",
"description_": "SI.No",
"score_": 0,
"confidence_": 0,
"topicality_": 0,
"boundingPoly_": {
"vertices_": [
{
"x_": 26,
"y_": 57,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 71,
"y_": 57,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 71,
"y_": 70,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
{
"x_": 26,
"y_": 70,
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
}
],
"normalizedVertices_": [],
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
"locations_": [],
"properties_": [],
"memoizedIsInitialized": -1,
"unknownFields": {
"fields": {},
"fieldsDescending": {}
},
"memoizedSize": -1,
"memoizedHashCode": 0
},
Я разместил здесь лишь немного информации из всего ответа из-за ограничение публикации всех данных в теле.
Я искал, чтобы извлечь данные строка за строкой и столбцом, но это дало результат в заданном формате. Я вижу трудность преобразования этого результата в строку за строкой снова. Не могли бы вы помочь мне достичь ожидаемого результата. Оцените ваши ответы! ..
Кроме того, если бы у нас есть какой-либо api или инструмент для преобразования pdf в csv (включая набор символов UTF-8 в формате pdf на индийском языке), было бы здорово ....
вот код, который я использую в Springboot для вызова этого API облачного видения.
ImageContext imageContext = ImageContext.newBuilder().addLanguageHints("ta").build();
Resource imageResource = this.resourceLoader.getResource(" file:src/main/resources/Incentive.jpg");
AnnotateImageResponse response = this.cloudVisionTemplate.analyzeImage(imageResource,
Feature.Type.DOCUMENT_TEXT_DETECTION);