¿Extraer saltos de párrafo del texto de OCR?
Pregunta
Estoy tratando de recrear los párrafos y las hendiduras de la salida del texto de imagen OCR'd, como así:
Aporte (Imagine que esta es una imagen, no escrita):
Producción (con algunos errores):
Como puede ver, no se conservan saltos de párrafo ni hendiduras.
Usando Python, probé un enfoque como este, pero no funciona (falla con demasiada frecuencia):
Código:
def smart_format(text):
textList = text.split('\n')
temp = ''
averageLL = sum([len(line) for line in textList]) / len(textList)
for line in textList:
if (line.strip().endswith('!') or line.strip().endswith('.') or line.strip().endswith('?')) and not line.strip().endswith('-'):
if averageLL - len(line) > 7:
temp += '{{ paragraph }}' + line + '\n'
else:
temp += line + '\n'
else:
temp += line + '\n'
return temp.replace(' -\n', '').replace('-\n', '').replace(' \n', '').replace('\n', ' ').replace('{{ paragraph }}', '\n\n ')
¿Alguien tiene alguna sugerencia sobre cómo podría recrear este diseño? Estoy trabajando con libros antiguos, así que esperaba volver a colocarlos con látex, ya que es bastante simple crear un guión de Python para hacerlo.
¡Gracias!
No hay solución correcta
Licenciado bajo: CC-BY-SA con atribución
No afiliado a StackOverflow