如何解决从扫描的文档中获取表格形式的数据
我有一个带有数据表的扫描 pdf 文件。我使用 pdftools::pdf_convert
将其转换为 png
文件,在使用 magick::image_crop
裁剪后,我试图以表格形式获取数据。结果图如下
我的代码在下面
library(tesseract)
library(tidyverse)
library(magick)
img <- image_read("image.png")
text <- img %>%
image_resize("2000x") %>%
image_convert(type = 'Grayscale') %>%
image_trim(fuzz = 40) %>%
image_write(format = 'png',density = '300x300') %>%
tesseract::ocr(engine = tesseract("spa",options = list(textord_tabfind_find_tables = '1',textord_tablefind_recognize_tables = '1')))
## Resulting text
text
[1] "A\nAUTOCLAVE CON LUZ| FET(H)-SAI2-EMYL-079\n1 28-3695-0000144 | ULTraviOLETA (UV) DE VERSIÓN 01 1 EQUIPO\n100. L. 02/0CT/2020\nFET(H)-SAT2-EMYL-070\n2 | 28-410-0000003 UM RO VERSIÓN 01 EQUIPO\n02/0CT/2020\nFET(H)-SAI2-EMYL-071\n3 | 28-4310-0000064 o VAGO LIBRE VERSIÓN 01 2 EQUIPO\n02/0CT/2020\nFET(H)-SAI2-EMYL-076\n4 | 28-3695-0000142 UA ETE DE TOMA VERSIÓN O1 5 EQUIPO\n02/0CcT/2020\n' FET(H)-EP22-EMYL-O12\n5 | 28-3424-0000030 ON VERSIÓN 02 1 EQUIPO\n: 02/MAR/2020\n: FET(H)-SAI2-EMYL-078\n28-3695-0000143 | CENTRÍFUGA. VERSIÓN 01 1 EQUIPO\n02/0CT/2020\n- - FET(H)-FP22-EMYL-003\n7 | 28-3695-0000098 ION DE O Ca VERSIÓN 02 1 EQUIPO\n: 10/DIC/2019\nFET(H)-SAT2-EMYL-089\n28-3695-0000140 | BAÑO MARÍA DIGITAL 10 L. VERSIÓN 01 2 EQUIPO\n02/0CT/2020\n- - FET(H)-SAT2-EMYL-074\n28-3695-0000141 AL MENRASONICO VERSIÓN 01 5 EQUIPO\n\" 02/0CT/2020\n"
cat(text)
A
AUTOCLAVE CON LUZ| FET(H)-SAI2-EMYL-079
1 28-3695-0000144 | ULTraviOLETA (UV) DE VERSIÓN 01 1 EQUIPO
100. L. 02/0CT/2020
FET(H)-SAT2-EMYL-070
2 | 28-410-0000003 UM RO VERSIÓN 01 EQUIPO
02/0CT/2020
FET(H)-SAI2-EMYL-071
3 | 28-4310-0000064 o VAGO LIBRE VERSIÓN 01 2 EQUIPO
02/0CT/2020
FET(H)-SAI2-EMYL-076
4 | 28-3695-0000142 UA ETE DE TOMA VERSIÓN O1 5 EQUIPO
02/0CcT/2020
' FET(H)-EP22-EMYL-O12
5 | 28-3424-0000030 ON VERSIÓN 02 1 EQUIPO
: 02/MAR/2020
: FET(H)-SAI2-EMYL-078
28-3695-0000143 | CENTRÍFUGA. VERSIÓN 01 1 EQUIPO
02/0CT/2020
- - FET(H)-FP22-EMYL-003
7 | 28-3695-0000098 ION DE O Ca VERSIÓN 02 1 EQUIPO
: 10/DIC/2019
FET(H)-SAT2-EMYL-089
28-3695-0000140 | BAÑO MARÍA DIGITAL 10 L. VERSIÓN 01 2 EQUIPO
02/0CT/2020
- - FET(H)-SAT2-EMYL-074
28-3695-0000141 AL MENRASONICO VERSIÓN 01 5 EQUIPO
" 02/0CT/2020
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。