如何从OCR文本中提取段落分隔符？

Question

我正在尝试从OCR（光学字符识别）处理过的图片文本中重新创建段落和缩进，像这样：

输入（想象一下这是一张图片，而不是打出来的文字）：

输出（有一些错误）：

如你所见，段落的换行和缩进都没有保留。

我用Python尝试了一个方法，但效果不太好（经常失败）：

代码：

def smart_format(text):
  textList = text.split('\n')
  temp = ''

  averageLL = sum([len(line) for line in textList]) / len(textList)

  for line in textList:
    if (line.strip().endswith('!') or line.strip().endswith('.') or line.strip().endswith('?')) and not line.strip().endswith('-'):
      if averageLL - len(line) > 7:
        temp += '{{ paragraph }}' + line + '\n'
      else:
        temp += line + '\n'
    else:
      temp += line + '\n'

  return temp.replace(' -\n', '').replace('-\n', '').replace(' \n', '').replace('\n', ' ').replace('{{ paragraph }}', '\n\n      ')

有没有人能给我一些建议，告诉我该怎么重新创建这个布局？我正在处理一些旧书，所以我希望能用LaTeX重新排版，因为用Python写个脚本来实现这一点相对简单。

谢谢！

Answer 1

你可以试着判断一行的第一个单词是否本来可以放在上一行，这样就能知道是不是故意换行，而不仅仅是看短行。除此之外（还有像你例子中那样仔细注意标点符号），我觉得唯一的其他选择就是回去查看原始的图片。

Answer 2

你可以通过查看每个5到10像素宽的水平条带的熵，把图片分成多个段落。虽然这种方法通常用来从大图或视频中制作“有趣”的缩略图，但你也可以用它来判断文本是否存在。下面是具体的做法。

首先，你把图片分成一条条水平的条带，每条高5到10像素。如果某条条带看起来不“繁忙”，那么就可以认为那里没有文本。这样你就可以把段落分开。接下来，你把每个段落单独拿出来，输入到你的OCR（光学字符识别）工具中。