doc2text:批量检测文本块和OCR扫描不良的PDF。 Python模块可通过pip获得 源码

doc2text doc2text通过修复常见的扫描错误来提取高质量的文本 发展文本语料库可能会给屁股带来巨大的痛苦。 由于科学家被锁定在扫描不良的pdf中,因此我们对许多文本数据感兴趣。 这些扫描可能会步履蹒跚,分辨率差,需要帮助...如果您在不修正这些错误的情况下对这些扫描进行OCR,OCR的结果就不会那么好。 创建doc2text是为了帮助研究人员修复这些错误并尽可能从pdf中提取最高质量的文本。 doc2text是超级duper alpha atm doc2text是在Ubuntu 16.04 LTS Xenial Xerus上开发和测试的。 我们暂时不假装为所有操作系统提供服务,因