Python 来自Google cloud vision API OCR的逐行数据

我扫描了银行对账单的PDF（基于图像）。 Google vision API能够非常准确地检测文本，但它返回文本块，我需要逐行文本（银行交易）。

---

你知道怎么做吗？

我使用谷歌视觉API-文档文本检测来获取逐行数据。 返回的数据具有以下结构： 对于不同的API，结构可能会发生变化

我使用的方法是计算所有单词的中点

{
   'description': 'Some Text',
   'center': { x: (P1.x + P2.x + P3.x + P4.x)/4, 
               y: (P1.y + P2.y + P3.y + P4.y)/4 }
}

现在我根据这些单词的中心坐标对它们进行排序。在X轴和Y轴上。 但对于Y坐标排序，需要一些Y公差变量

比如说,

word_1.center.y = 15
word_2.center.y = 18
word_3.center.y = 28

现在，您必须决定更改行所需的Y坐标值差异有多大（这取决于文档中使用的字体大小）

（word_2.center.y-word_1.center.y）

在得到同一行中的单词列表之后。根据它们的X坐标对它们进行排序

---

如果有任何其他查询，请联系。

在Google Vision API中有一个方法

fullTextAnnotation

，它返回一个全文字符串，其中

\n

指定行的结尾，您可以尝试。

块是否包含换行符，例如“\n”？是。此外，我还有单词和边界框的坐标。聚类虽然繁琐，但可能是唯一的解决方案。一个更好的方法，而不是使用“Y公差”，是计算最小和最大Y点，并检查单词_2的范围是否在单词_1的范围内，反之亦然。如果是，则=>行合并。使用Y_公差，当图片不够水平时，您可能会遇到问题。Fair point@MarkusG。但问题是整个页面的字体大小可能不同。因此，Y点的最小值和最大值可能会在很大程度上波动。

word_1.center.y = 15
word_2.center.y = 18
word_3.center.y = 28

(word_2.center.y - word_1.center.y) < Y-Tolerance # True ~ In same line
(word_3.center.y - word_2.center.y) < Y-Tolerance # False ~ In different line