Chunkr: 在线PDF文档解析与OCR工具

介绍

1 版面分割模型

这部分属于另一个项目（pdf-document-layout-analysis）的内容，可以移步查看具体模型的介绍和训练过程。

1.1 机器学习模型
基于LIGHTGBM算法，并且只需要使用CPU资源，因此对硬件要求不高，速度快，但是只能处理文字类型的PDF。

1.2 VGT模型
能处理图片PDF，同时把版面内容识别为11种类型

   1: "Caption"
   2: "Footnote"
   3: "Formula"
   4: "List item"
   5: "Page footer"
   6: "Page header"
   7: "Picture"
   8: "Section header"
   9: "Table"
   10: "Text"
   11: "Title"

如果对表格、图片、手写内容的识别精度有要求，则需要使用该模型。

2 分割策略

上述模型能够为每一块区域生成一种对应的类型（如Title、Text等），默认按照Title -> Section header -> Other 这种层次结构进行分割和组合，如果遇到高于当前段中的层次或者段长度超过限制(target_chunk_length)，则进行分割。

3 OCR策略

chunkr使用的OCR为Textract，的OCR策略分为如下三种：
● Auto：对于扫描件，则全部进行OCR；对于文字PDF，则只有图片和表格进行OCR
● All：开启所有组件的OCR
● Off：关闭所有组件的OCR

用法

1 注册账号

在官网完成账号注册，获取API KEY

有1000页的快速处理额度和500页的高精度处理额度

2 API处理

2.1 创建任务

curl -X POST https://api.chunkr.ai/api/v1/task \
-H "Content-Type: multipart/form-data" \
-H "Authorization: ${YOUR_API_KEY}" \
-F "file=@/path/to/your/file" \
-F "model=HighQuality" \
-F "target_chunk_length=512" \
-F "ocr_strategy=Auto"

任务为异步调用，可通过返回的任务id查看处理结果

2.2 获取结果

curl -X GET https://api.chunkr.ai/api/v1/task/${TASK_ID} \
-H "Authorization: ${YOUR_API_KEY}"

3 在线处理

在这里可以直接拖拽、上传PDF文档，配置参数（与API调用一致）、实时查看处理结果

使用体会

在试用过程中发现版面分析部分把一部分简单的Text区域识别为表格或者图片，猜测可能是因为模型的阈值不可控制导致的。这种使用方法比较适合普通用户，对于开发者或者需要调整文档识别结果的人来说可能不是很友好，不过有1500页的免费额度使用还是挺香的～