如何使用Tesseract-ocr为Scand pdf和Normal Pdf正确提取表内容？

Question

我们正在尝试使用tesseract-ocr从普通pdf和扫描的pdf（图像）中提取文本内容。

由于表格内容未正确提取，我们发现表格的pdf存在以下问题。

1. 一些单元格（行/列）中的内容不可见。表的标题有时丢失。
2. 如果表中有数字，则不会提取所有数字。
3. 某些字母被错误提取。例如。我被误解为l。
4. 列顺序在水平解析时会互换。
5. 与普通字符一起提取了一些额外的字符。

尝试过image_to_string，image_to_data，opencv方法

使用的示例代码为：

从PIL导入图像

导入pytesseract 从pytesseract导入image_to_string 从pytesseract导入image_to_boxes

image =（pytesseract.image_to_string（Image.open（'table_number.jpg'））） 打印（图像）

它应该正确提取到现在为止尚未提取的行和列。请建议使用功能或方法来增强使用tesseract提取表内容的结果。