小编Kel*_*vin的帖子

我试图从资产负债表中提取某些字段.例如,我希望能够告诉以下资产负债表的"库存"值为1,277,838:

目前,我正在使用Tesseract将图像转换为文本.但是,此转换会产生文本流,因此很难将字段与其值相关联(因为这些值并不总是在其相应字段的文本旁边).

经过一番搜索后,我读到Tesseract可以使用uzn文件从图像的区域中读取.但是,资产负债表价值的具体区域可能会从形式转变为形式,因此我对任何可以确定"库存"和1,277,838位于同一行的解决方案感兴趣.理想情况下,我想要一个文本的网格结构输出(这样我就可以在空间上告诉哪些文本块在同一行/列中).

这种情况是否有任何商业或开源解决方案？

是否有任何解决方案（最好是Python）可以修复外部参照表损坏的pdf？

我有一个 pdf 文件，尝试在 Ghostscript 中将其转换为 png 格式，但收到以下错误：

**** 错误：读取 XREF 表时发生错误。**** 文件已损坏。这可能是由于转换或传输文件时出现问题造成的。

但是，我可以在 Mac 上的“预览”中打开 pdf，并且当我使用“预览”导出 pdf 时，我可以转换导出的 pdf。

有没有办法修复pdf文件而无需手动打开并导出它们？