用于从PDF中提取数据的自然语言处理

Question

我有许多不同格式的扫描pdf，有许多不同的字段。将其视为已扫描的发票。我需要从扫描的pdf中提取信息并输出每个字段中的字段和文本。

我有一个OCR工具，可以很好地提取原始格式的所有文本。我以某种方式使用NLP必须能够从原始文本中提取字段及其值。由于发票的格式很多，因此在这种情况下使用OCR不是一种选择。 NLP怎么能帮助我解决这个问题？

Answer 1

大多数NLP工具旨在从语句中提取数据。如果你没有标点符号，它可能不会很好。如果您使用的是NLU服务，例如https://mynlu.com，您还需要提供常用短语的示例以及其中包含的相关数据的位置（实体）。如果您可以将其拆分为语句，那么像myNLU或其他NLU服务（LUIS，Watson等）可以让您在＆lt; 10分钟。