Программа предназначена для распознавания структурированной текстовой информации из файлов графических форматов, содержащих таблицы.
Требования к входному файлу:
- структура файла должна быть как в примере или близка к нему;
- страницы в файле должны быть правильно ориентированы;
- файл должен быть растровый;
- ячейки таблиц должны быть разделены горизонтальными/вертикальными линиями.
Зависимости:
- OpenCV 3.2 - предобработка изображений и детектирование таблиц;
- Tesseract - OCR 3.05.00 - распознавание текста в каждой ячейки;
- Ghostscript 9.21 - Разделение входного PDF-файла на изображения;
- CellCSV(https://github.com/d4nF/CellCSV) - запись результата в CSV файл.
Использование: PDFTable2CSV "mypdf.pdf" "out" ["rus"]