Estrarre il paragrafo pause dal testo OCR?
Domanda
Sto cercando di ricreare i paragrafi e le rientranze dall'output del testo dell'immagine OCR'd, così:
Ingresso (Immagina che questa sia un'immagine, non digitata):
Produzione (con alcuni errori):
Come puoi vedere, nessuna pausa di paragrafo o rientranze viene preservata.
Usando Python, ho provato un approccio come questo, ma non funziona (fallisce troppo spesso):
Codice:
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 ')
Qualcuno ha qualche suggerimento come come potrei ricreare questo layout? Sto lavorando con i vecchi libri, quindi speravo di ricupersarli con LaTex, poiché è abbastanza semplice creare una sceneggiatura Python per farlo.
Grazie!
Nessuna soluzione corretta
Autorizzato sotto: CC-BY-SA insieme a attribuzione
Non affiliato a StackOverflow