История страницы
Извлечь данные в
...
таблицу Версия 8 (Python)
Группа действий: Распознавание текста Robin OCR
...
Описание
Действие распознает текст документас документа, разделяет его на блоки и сохраняет возвращает в табличном виде.
...
Иконка действия
Параметры и их настройки
Свойство | Описание | Тип | Пример заполнения | Обязательность заполнения поля | |
Параметры | |||||
Путь к файлуФайл | Путь к файлу, из которого нужно извлечь данные. Поддерживаемые форматы: jpg, jpeg, bmp, png, tif, pdf. | Robin.FilePath | Да | ||
Номер страницы | Номер страницы в документе, с которой нужно извлечь данные. Если поле не заполнено, данные будут извлечены со всех страниц. | Robin.Numeric | Нет | ||
Язык | Предполагаемый язык текста, который необходимо извлечь | Robin.String | Нет | ||
Дополнительный язык | Дополнительный язык, на котором предположительно может быть распознаваемый текст | Robin.String | Нет | ||
Алгоритм | Если выбран «Текст»Формат данных, действие распознает только текстовые данныекоторые действие должно распознать. Если «Таблица», действие распознает только табличные данные. Если выбрано «Таблица» или «Текст и таблица», действие распознает любые данные.текст из таблиц будет возвращен с учетом табличной разметки | Robin.String | Да | ||
Расстояние между словами | Максимальное расстояние между словами в текстовых данных документатексте. Используется для деления при делении исходного текста на столбцы в результирующей таблицедля результирующей таблицы. В алгоритме «Таблица» и «Текст и таблица» параметр не учитывается для текста из таблиц. Значение по умолчанию - 20 пикселей. | Robin.Numeric | Нет | ||
Расстояние между строками | Максимальное расстояние между строками в текстовых данных документатексте. Используется для деления при делении исходного текста на строки в результирующей таблицедля результирующей таблицы. В алгоритме «Таблица» и «Текст и таблица» параметр не учитывается для текста из таблиц. Значение по умолчанию - 1 пиксель. | Robin.Numeric | Нет | ||
Путь к папке | Путь к папке, в которую будет будут сохранено изображение страницы документа исходного текста с наложенными блоками, на которые его делит действие разделило данныедля распознавания. Для сохранения файла также нужно заполнить поле «Имя файла»."Имя файла" | Robin.FolderPath | C:\doc\img | Нет | |
Имя файла | Название изображения страницы документа исходного текста с наложенными блоками (без расширения). Изображение будет создано с расширением *.png. Если действие извлекает данные текст с нескольких страниц, то на каждую из них будет создан отдельный файлсоздано свое изображение, к названию которого будет добавлен индекс. Для сохранения файла также нужно заполнить поле «Путь к папке»."Путь к папке" | Robin.String | Нет | ||
Перезаписать | Если значение «true», и в указанной папке существует файл изображения с таким же именем, индексом и расширением, то новый файл его перезапишет. Если «false», файл перезаписан не будет и действие вернет ошибку. | Robin.Boolean | true | Нет | |
Параметры | Дополнительные параметры, влияющие на результат и качество распознавания текста. | Robin.String | Нет | ||
Подписать | Если значение «true», то перед каждой распознанной табличной или текстовой частью будет добавлено слово «Part» c порядковым номером этой части. Если значение «false», перед этими частями будет вставлена пустая строка."true", и в указанной папке существует изображение с таким же именем и расширением, то новое изображение с блоками его перезапишет. Если "false", изображение перезаписано не будет, и действие вернет ошибку | Robin.Boolean | true | Нет | |
Обученная модель | Файл с обученной моделью Tesseract в формате .traineddata | Robin.FilePath | Нет | ||
Результаты | |||||
Таблица | Таблица, сформированная на основе данных, извлеченных из исходного документа | .Robin.DataTable | |||
Изображение с блоками | Коллекция путей к файлам изображений страниц документа с наложенными блоками | .Robin.Collection |
Особые условия использования
Действие распознает текст распознает текст документа и разбивает его разбивает его на блоки в зависимости от указанных входных параметров (расстояние между строками\словами) извлекает данные из текстовых документов и сохраняет их в виде таблицы. При этом исходный документ может и не содержать таблицы.
На вход можно подавать документы:
- только текстовый слой pdfслой pdf-документа
- только изображения
- и текстовый слой, и изображения.
Работа действия основана на алгоритме извлечения блоков текста документа. Слова и строки документа объединяются в блоки на основе максимального расстояния между словами и максимального расстояния между строками. Эти параметры задаются во входных параметрах действия.
Примеры таких документов: кассовые чеки; документы, содержащие табличные данные с\без разделителей; документы, содержащие сплошной текст.
Логика работы действия, в зависимости от настройки параметра "Алгоритм": если выбрана "Таблица", действие вернет текст только из таблиц, сохранив его табличную разметку. Если "Текст", вернет все, но для текста из таблиц не учтет его разметку (то есть считывается весь текст из исходного документа, при этом, если были найдены таблицы, текст из них будет извлечен не по табличной разметке, а по расстоянию). Если "Текст и таблица", распознает и вернет текст из таблиц и обычный текст как отдельные части, сохранив для таблиц разметку.
Следует иметь ввиду, что если обученная модель не работает или плохо натренирована, то необходимо значения выпадающего списка "Язык" заменить на значения списка "Дополнительный язык".
Пример использования
Задача
Распознать : распознать таблицу из документа документа obrazec.pdf и записать результат в таблицу в формате CSV.
Решение
Воспользоваться : воспользоваться действиями "Извлечь данные в таблицу", "Сохранить таблицу в CSV".
Реализация
...
- Собрать схему робота, состоящего из действий:
- Настроить параметры для действия "Извлечь данные в таблицу".
- Настроить параметры для действия "Сохранить таблицу в CSV".
- Нажать на кнопку "Старт" в верхней панели.
Результат
...
Программный робот отработал успешно. Данные с документа извлечены в таблицу формата CSV.
Страницы из документа сохранены в формате .png в указанную папку с выделенными блоками.
Таблица излечена и сохранена в формате .csv Новая таблица.csv