Проблема с извлечением текста и таблиц из PDF в Python ⇐ Python

[Anonymous]

Я создаю серверную часть Python, из которой хочу извлечь табличные и текстовые данные из PDF. Сложная часть заключается в том, что в формате PDF можно объединить таблицу и текст, таблица глубоко вложена с вертикальным/горизонтальным текстом. PDF-файл может содержать текстовые данные, или изображение(изображение текстов), или метаданные.
Я хочу точно извлечь все данные без ручного вмешательства.
Некоторые подробности о PDF-файле документы:-

• У меня их много, и мне нужно их все обработать.
• Документ может содержать данные (текстовые данные и таблицы) в тексте, изображении, метаданных.
• Таблицы имеют глубокую структуру, столбцы имеют подстолбцы, строки имеют подстроки.
• В случае данных в виде изображений распознавание текста не работает, поскольку в них находится текст. изображение нечеткое и слишком маленькое.
• Структура таблицы может различаться в зависимости от листа, поэтому жесткое привязывание значений невозможно.
• Текст из ячейки таблицы может быть вертикальным, горизонтальным, диагональным или все вместе.

Я попробовал несколько вариантов:

• PDFPlummer: требуются ручные координаты границ таблицы. , поскольку в некоторых PDF-документах нет вертикальных линий в начале и конце таблицы.
• LLAMAPARSE: он не может извлечь глубокую структуру таблицы и является услугой премиум-класса.< /li>
  Markitdown: извлекает данные. в формате уценки, но с очень плохой структурой.
• Табула: та же проблема, таблица не извлекается должным образом.
• OCR (тессеракт): опять же, проблема здесь в глубокой структуре таблицы

Подробнее здесь: https://stackoverflow.com/questions/793 ... -in-python