从OCR文本中提取段落符号？

Question

我正在尝试从OCR的图像文本输出中重新创建段落和缩进，如下所示：

输入（想象一下这是一张图片，而不是输入）：

输出（有一些错误）：

如您所见，不会保留任何段落或缩进。

使用Python，我尝试了这样的方法，但它不起作用（经常失败）：

代码：

def smart_format(text):
  textList = text.split('\n')
  temp = ''

  averageLL = sum([len(line) for line in textList]) / len(textList)

  for line in textList:
    if (line.strip().endswith('!') or line.strip().endswith('.') or line.strip().endswith('?')) and not line.strip().endswith('-'):
      if averageLL - len(line) > 7:
        temp += '{{ paragraph }}' + line + '\n'
      else:
        temp += line + '\n'
    else:
      temp += line + '\n'

  return temp.replace(' -\n', '').replace('-\n', '').replace(' \n', '').replace('\n', ' ').replace('{{ paragraph }}', '\n\n      ')

有没有人有任何关于如何重新创建此布局的建议？我正在使用旧书，所以我希望用LaTeX重新排版它们，因为创建一个Python脚本非常简单。

谢谢！

Answer 1

您可以通过查看每个5-10像素水平切片的entropy将图像拆分为多个段落。

这意味着您将图像分成一堆水平条，每个高5-10像素。如果条带不“忙”，那么您可以假设那里没有文本。您可以使用它来隔离段落。现在，您将单独拍摄每个段落，并将其提供给您的OCR。

Answer 2

您可以尝试判断一行上的第一个单词是否可以轻松放入上一行，表示有意换行，而不是纯粹寻找短行。除此之外（并密切注意你在你的例子中所做的标点符号），我认为唯一的另一种选择是回到原始图像。