معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Document aesthetics and text extractor

ویژگی	مقدار
سیستم عامل	-
نام فایل	docSilhouette-0.1.0
نام	docSilhouette
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Fabricio Braz
ایمیل نویسنده	fabricio.braz@gmail.com
آدرس صفحه اصلی	https://github.com/fabraz/docSilhouette
آدرس اینترنتی	https://pypi.org/project/docSilhouette/
مجوز	MIT License

# docSilhouette :tada: docSilhouette ## What is it? This library wraps pytesseract and adds some useful features for text processing. Objevtively it takes information from the bouding boxes issued by tesseract and it exctracts some coherent information from the text aesthetic, like page and document position for each text block. We also applied a greedy algorithm to organize the words in blocks, firstly processing lines, after that processing the groups of words as exposed by tesseract dataframe. ## How to use You'd rather install the library using pip: ```shell pip install docSilhouette ``` Then you can use it: ```python from docSilhouette.docSilhouette import docSilhouette doc = docSilhouette('./tests/assets/single_page.pdf') doc.setup() print(doc.get_text(True)) ``` You might find output like the following ```shell xxP001 xxQ00_00 xxbob Universal Language Model Fine-tuning for Text Classification xxeob xxQ00_03 ``` ## Special Tokens * `xxP001`: Page number * `xxbob`: Begin of block * `xxeob`: End of block * `xxQ01_00`: Block number, where 01 refers to the first line of the page matrix and the 00 refers to the first column of the page. Check out the image bellow with a page with the matrix plotted on it. When set to issue quadrants, every block will have a `xxQ` for the beginning of the block and another for the end of the block. The following example highlights the quadrant of the block ``1 Introduction``, which starts at line 3 and column 0 and ends at line 3 and column 1. Refer to the image bellow for a more detailed example. ```shell xxQ03_00 xxbob 1 Introduction xxeob xxQ03_01 ``` * `xxbcet`: centralized text line * `xxecet`: end of centralized text line ![](imgs/2022-04-23-15-08-27.png) ## License MIT

نحوه نصب

نصب پکیج whl docSilhouette-0.1.0:

pip install docSilhouette-0.1.0.whl

نصب پکیج tar.gz docSilhouette-0.1.0:

pip install docSilhouette-0.1.0.tar.gz