跳转至

增强 PDF 解析器

使用带图像恢复的 EnhancedPDFParser 的指南。

概述

EnhancedPDFParser 扩展了 StructuredPDFParser，具有 DocRes 图像恢复功能。它非常适合处理扫描文档、低质量 PDF 或有视觉失真的文档。

主要特性

  • 图像恢复：DocRes 集成用于文档增强
  • 6 种恢复任务：去扭曲、去阴影、去模糊等
  • GPU 加速：可选的 CUDA 支持以加快处理速度
  • 分割表格合并：自动检测和合并跨页分割的表格
  • 所有基础功能：继承所有 StructuredPDFParser 功能

基本用法

from doctra import EnhancedPDFParser

parser = EnhancedPDFParser(
    use_image_restoration=True,
    restoration_task="appearance"
)

parser.parse("scanned_document.pdf")

恢复任务

任务 最适合
appearance 一般增强（默认）
dewarping 透视失真
deshadowing 去除阴影
deblurring 减少模糊
binarization 干净的黑白转换
end2end 严重退化

分割表格合并

EnhancedPDFParser 包含自动检测和合并跨多个页面分割的表格。此功能对于处理财务报告、数据表格和其他大型表格跨页面边界的文档特别有用。

启用分割表格合并

from doctra import EnhancedPDFParser

# 使用默认设置启用分割表格合并
parser = EnhancedPDFParser(
    use_image_restoration=True,
    merge_split_tables=True
)

parser.parse("document.pdf")

配置选项

parser = EnhancedPDFParser(
    use_image_restoration=True,
    restoration_task="appearance",

    # 启用分割表格合并
    merge_split_tables=True,

    # 位置阈值
    bottom_threshold_ratio=0.20,  # 距离页面底部 20%
    top_threshold_ratio=0.15,     # 距离页面顶部 15%

    # 间隙容差
    max_gap_ratio=0.25,            # 页面高度的 25% 最大间隙

    # 结构验证
    column_alignment_tolerance=10.0,  # 列对齐的像素容差
    min_merge_confidence=0.65,       # 合并的最小置信度（0-1）
)

工作原理

分割表格检测使用两阶段方法：

  1. 阶段 1：邻近检测 - 快速空间启发式方法，基于位置、水平重叠、间隙和宽度相似性识别候选对
  2. 阶段 2：结构验证 - 使用 LSD（线段检测器）进行深度结构分析，验证列对齐和结构

有关算法的详细信息，请参阅分割表格合并指南。

输出

当检测到并合并分割表格时：

  • 合并图像：创建单个合成图像，组合两个表格段
  • Markdown/HTML 输出：合并的表格出现一次，并带有指示它跨多个页面的注释（例如，"Merged Table (pages 1-2)"）
  • 文件位置：合并的表格保存为 tables/ 目录中的 merged_table_{page1}_{page2}.png
  • VLM 处理：如果启用 VLM，合并的表格作为单个完整表格进行处理，以获得更好的提取准确性

参数详情

参数 默认值 描述
merge_split_tables False 启用/禁用分割表格检测
bottom_threshold_ratio 0.20 检测页面底部附近表格的比率（0-1）
top_threshold_ratio 0.15 检测页面顶部附近表格的比率（0-1）
max_gap_ratio 0.25 表格之间的最大允许间隙（考虑页眉/页脚）
column_alignment_tolerance 10.0 列对齐验证的像素容差
min_merge_confidence 0.65 合并表格所需的最小置信度分数（0-1）

何时使用分割表格合并

在以下情况下启用分割表格合并：

  • 处理包含跨多个页面的大型表格的文档
  • 处理财务报告、数据表格或结构化文档
  • 您希望在单个视图中获得完整的表格上下文
  • 使用 VLM 进行表格提取（合并的表格提供更好的上下文）

在以下情况下考虑禁用：

  • 表格在页面之间是故意分开的
  • 处理速度至关重要（会增加少量开销）
  • 文档结构不一致

何时使用

在以下情况下使用 EnhancedPDFParser：

  • 扫描文档
  • 低质量 PDF
  • 有视觉失真的文档
  • 使用标准解析器时 OCR 准确性差

另请参阅