PDF中识别文字和表格时，表格的内容不能够很好的输出，这种直接识别PDF的方法容易造成脏数据，对后续的向量化以及检索容易造成一定的误差，因此需要将这种数据进行已改写；
目前，主流的方法如下所示：
- 将PDF转换成为图片；
- 利用OCR技术识别图片的内容；（这样可以识别表格的内容，不引入表格）
- 获取文本内容，进行向量化，从而进行后续的工作；
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
