详细内容或原文请订阅后点击阅览
使用 EasyOCR 解析 RAG 的扫描 PDF：免费 OCR 为您提供文字，而不是文档
企业文档智能 [Vol.1 #5quinquies] - 相同的 1974 年扫描 PDF，两个引擎。 EasyOCR 恢复文本。 Docling 恢复文本+部分+图形。结构间隙使得一个输出可在下游使用，另一个输出为扁平字符串。使用 EasyOCR 解析 RAG 的扫描 PDF 后：免费 OCR 为您提供单词，而不是文档，该文章首先出现在 Towards Data Science 上。
来源:走向数据科学，该系列由四块砖构建企业 RAG 系统。第 5 条（文档解析）使用 PyMuPDF (fitz) 构建解析器，该解析器在没有文本层的扫描页面上返回空。该伴侣将引擎替换为 EasyOCR，这是一个可以恢复该文本的免费 OCR 软件包。这是这个系列中的一个案例，新引擎为您提供的功能更少，而不是更多：它恢复了文本，但周围没有任何内容，而这个差距就是教训。
扫描的 PDF 无法通过“仅使用 OCR 解决”来解决。 OCR步骤恢复文本；这对于企业 RAG 管道来说是必要的，但还不够。管道还需要文本周围的所有内容：页面边界在哪里、哪些行是节标题、什么是图形、什么是表行与自由段落。“传统 OCR”（文本检测 + 文本识别引擎（如 EasyOCR、Tesseract、PaddleOCR）的艺术术语）为您提供文本。它没有给你任何其他的东西。剩下的就是布局问题，布局问题是更难的一半。
本文具体阐述了这一区别。传统的 OCR 引擎是 EasyOCR：最简单、最快、免费的 JaidedAI 文本检测 + 识别库（Apache 2.0，在项目的 LICENSE 文件中声明）。布局感知引擎是 Docling（第 5 条之三；MIT 许可证，在项目的许可证文件中声明）。两者都可以对扫描的页面进行 OCR。他们对结果的处理方式有所不同。整篇文章是第 5 节中对 1974 年真实公共领域扫描的正面交锋的设置。
1.“传统 OCR”做什么（不做什么）
2. EasyOCR：规范的传统 OCR
签名 kwargs 是唯一的旋钮：