看典古籍·古籍數字化·PDF文件識別

本期介紹如何在看典古籍平臺通過古籍數字化功能實現PDF文件的識別處理。

一、進入PDF文件識別功能頁面

二、選擇本地的PDF文件

在左側文件上傳區域拖入本地PDF文件或點擊在彈窗中選擇PDF文件

三、設置處理參數

文本排版方向：圖像中文字的排列方向，分為橫向和豎向，可選自動識別將自動判斷或者指定橫豎排模式；

識別版本選擇：識別算法的不同版本，不同版本識別結果會有差異；

圖像尺寸調整：過大的圖像占用資源較多且對于識別結果差異不大，建議圖像尺寸在1000-2000，可以根據不同的圖像自主進行調整，為 0 時不調整圖像尺寸；

TXT是否分頁：導出的TXT文件按照PDF中每一頁一個TXT文件，不分頁則將TXT文件合并為一個TXT文件；

識別結果轉簡體：將識別結果轉為簡體文字；

頁內文本是否合并：將一頁內的文本行合并為一個文本段；

四、輸入圖像驗證碼

驗證碼不區分大小寫

五、創建任務

點擊創建任務，即可在后臺進行識別處理

六、下載結果

任務創建后在右側會顯示任務處理進度的信息

在處理完成后，識別狀態將為：完成，表示PDF已識別完成，可以下載識別結果了。

按鈕解釋：

1. 下載匯總文檔

下載Word格式的結果文件

壓縮包中共有兩個文件：換行和不換行的區別，表示每一頁頁內文本行是合并還是分開展示，區別如下：

不換行的情況下：xxxxyyyy

換行的情況下：

xxxx

yyyy

2. 下載TXT

壓縮包中將存放每一頁的文本內容，每一頁會有換行與不換行之分，按照需要提取文件即可。

3. 下載JSON

壓縮包中存放每一頁的JSON數據，json數據將包含圖像寬高、每一個文本行的位置信息、每一個字的位置信息、候選字等數據。

4. 下載全部結果

壓縮包中將包含每一頁的圖像、Json、Txt以及全文檔的匯總文檔等文件。

以上就是看典古籍平臺上關于古籍數字化·PDF文件識別的使用教程。