Должен ли я использовать AWS Textract или программный подход для извлечения таблиц из текстовых PDF-файлов в .NET? [закр ⇐ C#

[Anonymous]

Я работаю с файлами PDF, связанными со страхованием, которые содержат структурированные таблицы. Это текстовые PDF-файлы (из них я могу копировать текст, а не изображения), и мне нужно извлекать данные с высокой точностью. У нас есть около 10–15 различных типов документов, которые в основном одинаковы, но могут меняться раз в год. Мы обрабатываем около 50 000 страниц в месяц на английском, немецком, французском и итальянском языках.
Требования:

• .NET-решение для извлечения таблиц.
• Высокая точность имеет решающее значение.
• Мы уже используем AWS, поэтому Решение на базе AWS, такое как Textract, было бы идеальным.
• Открыто для других инструментов оптического распознавания символов, если они обеспечивают более высокую точность/производительность.
• Время разработки и стоимость также являются важными факторами, которые следует учитывать.

Вопросы:

• < li>Необходимо ли здесь распознавание текста (например, AWS Textract) или мне следует использовать чисто программный подход, поскольку PDF-файлы основаны на тексте?
• Как мне обрабатывать случайные изменения в структуре документа?< /li>
  Любые другие вещи или советы, которые мне нужно рассмотреть при разработке подобных вещей.

Жду рекомендаций от любого, у кого есть опыт в подобных случаях!
Что я пробовал: я начал с изучения AWS Textract для извлечения таблиц, учитывая, что мы уже используем AWS. Однако я понял, что это может быть излишним, поскольку PDF-файлы основаны на тексте, а не на изображениях. Я также изучал Aspose.PDF и iText 7 для программного извлечения таблиц в .NET, но не был уверен, насколько хорошо они обрабатывают многоязычные документы (английский, немецкий, французский и итальянский).
Чего я ожидал: я ожидал решения, которое обеспечит высокую точность, особенно для таблиц в многоязычных PDF-файлах, без необходимости оптического распознавания символов, если только это не абсолютно необходимо.

Подробнее здесь: https://stackoverflow.com/questions/790 ... -from-text