document-understanding
2020.10
false
- 入门指南
- 框架组件
- AI Center 中的 Document Understanding
- 管道
- ML 包
- Data Manager
- OCR 服务
- 许可
- 参考
已弃用
Document Understanding 用户指南
Last updated 2024年7月29日
数字化概述
数字化是指从给定的传入文件中获取机器可读文本的过程,以便机器人能够理解其中的内容并采取相应行动。对于需要通过 Document Understanding 框架处理的文件,这是要应用的第一个步骤。
数字化步骤有两个输出:
- 已处理文件中的文本,存储在字符串变量中;以及
- 文件的文档对象模型 - JSON 对象,其中包含名称、内容类型、文本长度、页数等基本信息,还有各种详细信息,例如页面旋转、检测到的语言、文件中每个字词的内容和坐标。
在文档处理框架中,使用“数字化文档”活动执行数字化。
作为配置的一部分,“数字化文档”活动需要选择 OCR 引擎,以便可以在需要时使用,但仅对以下文件执行 OCR:
-
图像文件
- 支持的图像格式为 .png、.gif、.jpe、.jpg、.jpeg、.tiff、.tif、.bmp
- 对于多页 TIFF 文件,则对每一页应用 OCR
-
以下 PDF 页面:
- 不会公开任何计算机可读内容
- 其中包含覆盖页面很大一部分的图像。
如果“数字化文档”活动配置为将“强制应用 OCR”标志设为“True”,则仍应用 OCR。通常建议在以下情况下使用此选项:大部分文件似乎都包含原生内容,但原生读取的内容与用户在这些文件中看到的内容并不相符。
由于每个用例都有其自身的特殊性,因此强烈建议使用不同的设置测试所有可用的 OCR 引擎,以确定哪个引擎最适合您的项目。另一个建议是要特别注意 OCR 引擎的参数,例如 Profile、Scale、Language 等(可能因引擎而异),以便为每个用例确定最佳设置。