| 12345678910111213141516171819202122232425262728293031 |
- 数据集
- ======
- 导入数据类
- -----------
- 数据集
- ^^^^^^^^
- 每个 PDF 或图像将形成一个 Dataset。众所周知，PDF 有两种类别：:ref:`TXT <digital_method_section>` 或 :ref:`OCR <ocr_method_section>` 方法部分。从图像中可以获得 ImageDataset，它是 Dataset 的子类；从 PDF 文件中可以获得 PymuDocDataset。ImageDataset 和 PymuDocDataset 之间的区别在于 ImageDataset 仅支持 OCR 解析方法，而 PymuDocDataset 支持 OCR 和 TXT 两种方法。
- .. note::
- 实际上，有些 PDF 可能是由图像生成的，这意味着它们不支持 `TXT` 方法。目前，由用户保证不会调用 `TXT` 方法来解析图像生成的 PDF
- PDF 解析方法
- ---------------
- .. _ocr_method_section:
- OCR
- ^^^^
- 通过 光学字符识别 技术提取字符。
- .. _digital_method_section:
- TXT
- ^^^^^^^^
- 通过第三方库提取字符，目前我们使用的是 pymupdf。
|
