跳转至

布局检测

Doctra 中文档布局检测的指南。

概述

布局检测是 Doctra 处理管道的基础。它分析 PDF 页面以识别和分类不同的文档元素（文本、表格、图表、图形）。

工作原理

  1. 渲染：PDF 页面在指定 DPI 下转换为图像
  2. 检测：PaddleOCR 模型识别元素区域
  3. 分类：按类型标记元素
  4. 过滤：移除低置信度检测

配置

from doctra import StructuredPDFParser

parser = StructuredPDFParser(
    layout_model_name="PP-DocLayout_plus-L",
    dpi=200,
    min_score=0.5
)

参数

layout_model_name
要使用的 PaddleOCR 模型 - PP-DocLayout_plus-L：最佳准确性（较慢） - PP-DocLayout_plus-M：更快，良好的准确性
dpi
图像分辨率 - 100-150：快速，质量较低 - 200：平衡（默认） - 250-300：高质量，较慢
min_score
置信度阈值（0-1） - 0.0：包含所有检测 - 0.5：中等过滤 - 0.7+：保守，仅高置信度

可视化

验证检测质量：

parser.display_pages_with_boxes(
    pdf_path="document.pdf",
    num_pages=3
)

元素类型

  • 文本：常规内容（蓝色框）
  • 表格：表格数据（红色框）
  • 图表：图形和图表（绿色框）
  • 图形：图像和图表（橙色框）

另请参阅