我有很多PDF，DOC [X]，TIFF和其他文件（从共享文件夹扫描）。每个文件都转换为文本文件包：每页一个文本文件。
每个文件包可能包含多个文档（例如，合同）。文档类型可以是不仅是合同。
在处理文件包期间，我不知道当前文件包包含哪种文件，一个文件包可能包含多种文件类型（合同，发票等）。
我正在寻找一些可能的方法来以编程方式解决此问题。
我试图搜索类似的内容，但没有成功。
UPD：：我尝试使用scikit-learn创建二进制分类器，现在正在寻找另一种解决方案。
答案 0 :(得分：0)
从根本上讲，因为它们是“扫描”，听起来更像是计算机视觉可以解决的问题，但是目前这远远超出了我目前的编程水平。
例如像SimpleCV这样的项目可能是一个很好的起点， http://www.simplecv.org/
或者，您也许可以摆脱OCR读取“扫描图”并根据内容进行工作。 pytesseract在此类任务中似乎很受欢迎， https://pypi.org/project/pytesseract/
但是，仍然缺少定义如何告诉程序该图像的这一部分意味着这是3个单独的合同的信息。关于这些文件的内容是否特别清楚，例如页面上的“ 3之1”，徽标还是其他？这将是确定您要解决的问题的复杂程度的主要部分。
答案 1 :(得分：0)
最好的解决方案是创建二进制分类器（SGDClassifier）并在类first-page和not-first-page上进行训练。数据集中的每个项目均被修剪为100个令牌（单词）