标签: extraction

我想只分发一个.exe,但是,在运行时我希望它将一些嵌入的图像资源提取到用户硬盘驱动器.

我可以,如果是的话,怎么样？

我有(相同)数据保存为GIF图像文件和PDF文件,我想将其解析为HTML或XML.这些数据实际上是我大学食堂的菜单.这意味着有一个新版本的文件必须每周解析!通常,这些文件包含一些页眉和页脚文本,以及一个充满其他数据的表.我已经阅读了有关stackoverflow的一些帖子,我也开始尝试将表数据解析为HTML/XML:

PDF

• PDFBox || iText(Java)
• Google文档导入
• PDF2HTML || PDF2Table

GIF

• 正方体-OCR

通过使用PDFBox解析PDF文件,我得到了最好的结果,但仍然(因为菜单每周更改),它不够可靠.我收到的HTML有时包含更多,有时更少的"段落"(<p>),因此我无法对数据进行足够的解析.

这就是为什么我想知道是否有其他方法可以做到这一点？

我正在努力让RKEA在R Studio中工作.这是我目前的代码:

#Imports packages
library(RKEA)
library(tm)

#Creates a corpus of training sentences
data <- c("This is a sentence",
          "I am in an office",
          "I'm working on a laptop",
          "I have a glass of water",
          "There is a wooden desk",
          "I have an apple for lunch")
data <- as.data.frame(data)
data <- Corpus(VectorSource(data$data))

#Creates a corpus of training keywords
keywords <- c("sentence",
              "office",
              "working",
              "glass",
              "wooden",
              "apple")
keywords <- as.data.frame(keywords)
keywords <- Corpus(VectorSource(keywords$keywords))

#Creates output file for created model
tmpdir <- tempfile() …

我正在使用Resharper试用版和VS2008.是否可以将一个文件中的所有类提取到一个单独的文件中？我可以使用Resharper来做到这一点,但它似乎只适用于个别类.这将用于自动生成的长度为65,000行的文件.

使用Apache POI时,我(以编程方式)从MS Word文件获取的字符串与我用MS Word打开文件时可以看到的文本不同.

使用以下代码时:

File someFile = new File("some\\path\\MSWFile.doc");
InputStream inputStrm = new FileInputStream(someFile);
HWPFDocument wordDoc = new HWPFDocument(inputStrm);
System.out.println(wordDoc.getText());

输出是一行,有许多"无效"字符(是的,"盒子"),还有许多不需要的字符串,如" FORMTEXT"," HYPERLINK \l "_Toc##########""("#"是数字数字)," PAGEREF _Toc########## \h 4"等.

以下代码"修复"了单行问题,但保留了所有无效字符和不需要的文本:

File someFile = new File("some\\path\\MSWFile.doc");
InputStream inputStrm = new FileInputStream(someFile);
WordExtractor wordExtractor = new WordExtractor(inputStrm);
for(String paragraph:wordExtractor.getParagraphText()){
  System.out.println(paragraph);
}

我不知道我是否使用了错误的方法来提取文本,但这就是我在查看POI的快速指南时所提出的.如果我是,那么正确的方法是什么？

如果输出正确,是否有一种标准的方法来摆脱不需要的文本,或者我是否必须编写自己的过滤器？

我有一个包含多个边界框的图像.

我需要提取其中包含边界框的所有内容.到目前为止,从这个网站我得到了这个答案:

y = img[by:by+bh, bx:bx+bw]
cv2.imwrite(string + '.png', y)

然而,它只有一个.我该如何修改代码？我尝试将它放在轮廓的循环中,但它仍然喷出一个图像而不是多个图像.

非常感谢你提前.

OpenCV本身不提供RANSAC功能,或者至少以这种形式提供,您可以调用它并完成它(例如cv::ransac(...)).能够使用RANSAC的所有函数/方法都有一个启用它的标志.然而,如果您实际上想要在估算单应性/基本矩阵之后使用内部RANSAC计算其他内容,例如在Octave或类似软件/点库中创建一个好的绘图,则应用其他算法并不总是有用.剩余的过滤匹配等.

在匹配两个图像之后,获得匹配的矢量.与此同时,我们当然在匹配过程中使用了两组关键点(每个图像一个).使用匹配和关键点,我们创建两个点向量(例如cv::Point2f points)并将它们传递给findHomography().从这篇文章和这篇文章中我发现了如何使用掩码标记内部函数,我们传递给该函数.掩码内的每一行都与内部/异常值有关.但是我无法弄清楚如何使用我的两组点中的行索引信息.查看OpenCV的源代码并没有让我太过分.In findFundamental()(类似于findHomography()它的签名和掩码部分)它们使用compressPoints(),它似乎以某种方式将我们作为输入的两个集合(源和目标点)合并为一个.在测试以确定掩模的性质时,我尝试了2组匹配点(转换cv::Keypoints为cv::Point2f- 标准程序).每组包含300分,所以总共有600分.返回的掩码包含300行(对于此主题,值并不重要).

编辑:在写这篇文章时,我发现了答案(见下文),但决定发布这个问题,以防有人需要尽快并以紧凑的形式提供这些信息.请注意,我们仍然需要一个支持RANSAC的OpenCV功能.因此,如果您有一组点但无意计算单应性或基本矩阵,这显然不是方法,我敢说我无法在OpenCV的API中找到任何有用的东西,可以帮助避免这个障碍,因此您需要使用外部图书馆.

有没有办法反编译一个DLL和/或.pyd文件,以提取用Python编写的源代码？

提前致谢

I am an recent graduate in pure mathematics who only has taken few basic programming courses. I am doing an internship and I have an internal data analysis project. I have to analyze the internal PDFs of the last years. The PDFs are "secured." In other words, they are encrypted. We do not have PDF passwords, even more, we are not sure if passwords exist. But, we have all these documents and we can read them manually. We can print …

来源Mediawiki标记

现在我正在使用各种正则表达式将mediawiki标记中的数据"解析"为列表/词典,以便可以使用文章中的元素.

这不是最好的方法,因为必须进行的案例数量很大.

如何将文章的mediawiki标记解析为各种python对象,以便可以使用其中的数据？

示例是:

• 将所有标题提取到字典中,并使用其部分对其进行哈希处理.
• 抓住所有的interwiki链接,并将它们粘贴到一个列表中(我知道
  这可以通过API完成,但我宁愿只有一个API调用来
  减少带宽使用).
• 提取所有图像名称并使用其部分对其进行哈希处理

各种正则表达式可以实现上述目标,但我发现我必须做出相当大的数字.

这是mediawiki非官方规范(我发现它们的官方规范没有用).