赵小蒙
c9c14beab3
更新readme
|
1 жил өмнө | |
|---|---|---|
| .. | ||
| README.md | 1 жил өмнө | |
| check_inline_formula.py | 1 жил өмнө | |
| pdf2json_infer.py | 1 жил өмнө | |
| pdf2text_evaluatePdfLayout.py | 1 жил өмнө | |
| pdf2text_getNumberOfColumn.py | 1 жил өмнө | |
| pdf2text_recogFootnoteLine.py | 1 жил өмнө | |
| pdf2text_recogPara_v2.py | 1 жил өмнө | |
| pdf2text_recogTitle.py | 1 жил өмнө | |
| vali_bbox_sort.py | 1 жил өмнө | |
| validation.py | 1 жил өмнө | |
README.md
pdf_toolbox
pdf 解析基础函数
pdf是否是文字类型/扫描类型的区分
cat s3_pdf_path.example.pdf | parallel --colsep ' ' -j 10 "python pdf_meta_scan.py --s3-pdf-path {2} --s3-profile {1} >> {/}.jsonl"
find dir/to/jsonl/ -type f -name "*.jsonl" | parallel -j 10 "python pdf_classfy_by_type.py --json_file {} >> {/}.jsonl"
# 如果单独运行脚本，合并到code-clean之后需要运行，参考如下：
python -m pdf_meta_scan --s3-pdf-path "D:\pdf_files\内容排序测试_pdf\p3_图文混排 5.pdf" --s3-profile s2