История страницы

Извлечь данные в таблицу Версия

...

8 (Python)

Группа действий: Robin OCR

...

Действие распознает текст с документа, разделяет его на блоки и возвращает в табличном виде. Распознавание происходит при помощи Robin OCR 1

Иконка действия

Параметры и их настройки

файла. изображениям

Свойство	Описание	Тип	Пример заполнения	Обязательность заполнения поля
Параметры
Файл	Путь к файлу, из которого нужно извлечь данные. Поддерживаемые форматы: jpg, jpeg, bmp, png, tif, pdf	Robin.FilePath		Да
Номер страницы	Номер страницы файлав 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. Выбирается из выпадающего списка: Русский Английский Арабский Вьетнамский Русский и английский Вьетнамский и английский Арабский и английский Испанский и английский Португальский и английский По умолчанию английский.	Robin.String		Нет
Дополнительный язык	Дополнительный язык, на котором предположительно может быть распознаваемый текст. Выбирается из выпадающего списка: Русский Английский Вьетнамский Арабский Испанский Португальский Индонезийский Персидский Турецкий Казахский Белорусский	Robin.String		Нет
Алгоритм	Формат данных, которые действие должно распознать. Если выбрано "Таблица" или "Текст и таблица"«Таблица» или «Текст и таблица», текст из таблиц будет возвращен с учетом табличной разметкиВыпадающий список из элементов: Текст, Таблица, Текст и таблица	Robin.String		Да
Расстояние между словами	Максимальное расстояние между словами в тексте. Используется при делении исходного текста на столбцы для результирующей таблицы. В алгоритме "Таблица" и "Текст и таблица" «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 тексте. Используется при делении исходного текста на строки для результирующей таблицы. В алгоритме "Таблица" и "Текст и таблица" «Таблица» и «Текст и таблица» параметр не учитывается для текста из таблиц. Значение по умолчанию - 1 пикселейпиксель	Robin.Numeric		Нет
Путь к папке	Путь к папке, в которую будут сохранено изображение исходного текста с наложенными блоками, на которые его делит действие для распознавания. Для сохранения также нужно заполнить поле "Имя файла"	Robin.FolderPath	C:\doc\img	Нет
Имя файла	Название изображения исходного текста с наложенными блоками (без расширения). Изображение будет создано с расширением *.png. Если действие извлекает текст с нескольких страниц, то на каждую из них будет создано свое изображение, к названию которого будет добавлен индекс. Для сохранения также нужно заполнить поле "Путь к папке"	Robin.String		Нет
Перезаписать	Если значение "true"«true», и в указанной папке существует изображение файл изображения с таким же именем, индексом и расширением, то новое изображение с блоками новый файл его перезапишет. Если "false", изображение перезаписано «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, 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
Поле "Обученная модель"	Файл с обученной моделью Tesseract в формате .tessdatatraineddata	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 документа и 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 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".