现有数万件PDF文件(比赛花名册/数据表)，希望精确识别出文本，以供后续整合至数据库。
PDF情况为：
- 名册/比赛数据（即表格形式），为英文语言。
- 大部分为手写、其余为打字机，故可能识别困难。
- 存在多种表格形式（因版本变化）
了解到的热门OCR：
- Rednote dots.ocr
- Paddle OCR
- MinerU
- Gemini 等
由于本人为小白，想请教：
- 有何推荐的模型或解决方案？
- 针对海量PDF，使用以上OCR现实吗？在资源量有限的情况下，方便部署吗？
- 如何确保文本的准确度？可否通过不同OCR的结果之间横向对比？
- 提取到文本之后，如何将文本归到指定的变量(如姓名、得分)，通过ML吗？还是说一些OCR能有坐标、表格之类的返回？
请大佬们赐教，不胜感激！
评论 (0)