任何不基于OCR的通用布局分析库或工具？

Question

我正在寻找可以应用于文本PDF的布局分析库或工具（最好是开源），以识别主要文本内容与侧边栏，章节标题，章节标题（可能甚至是具有装饰/阴影和下划线的奇特）等我遇到了像OCRopus这样的工具，它们使用OCR和图像识别来识别布局。是否存在可以在没有OCR的情况下执行相同操作的库？可以从文本PDF中提取文本和图像，并提供包含文本和图像位置的输入到工具中;对这些文件使用OCR会相当迂回。

Answer 1

我也不知道这样的独立（如不依赖于OCR或图像处理）库，但您应该能够使用OCRopus或OCRFeeder（https://live.gnome.org/OCRFeeder）的布局检测部分。你看过后者吗？显然，它设计用于几乎任何标准的OCR引擎，这意味着可以通过创建自己的“虚拟OCR”来使用布局分析部分，该虚拟OCR根据您的自定义逻辑（而不是任何真实的图像处理）提取数据并传递到OCRFeeder。