یک گزارش اسکن‌شده ممکن است متنی داشته باشد که می‌خواهید آن را ویرایش کنید یا به مستندات خود اضافه کنید. می‌توانید از OCR برای شناسایی متن استفاده کنید و آن را به صورت Markdown ذخیره کنید، که بررسی و استفاده مجدد در یک برنامه Python را آسان‌تر می‌کند.
در این مقاله، خواهید آموخت که چگونه یک تصویر PNG یا JPG را به Markdown در Python با استفاده از Aspose.OCR for Python via .NET تبدیل کنید. همچنین خواهید دید که چگونه محتوای تولید شده را مرور کنید و جداول و تصاویر سند را بررسی کنید.
کتابخانه OCR پایتون برای تبدیل تصویر به Markdown
Aspose.OCR for Python via .NET به شما امکان می‌دهد متن را در تصاویر تشخیص داده و نتایج OCR را به صورت Markdown ذخیره کنید. حالت تشخیص چیدمان سند می‌تواند عناصری مانند بلوک‌های متنی، جداول و تصاویر را شناسایی کند.
با pip نسخه 26.10.0 بسته را نصب کنید:
python -m pip install aspose-ocr-python-net
برای اجرای مثال، به یک نصب پایتون پشتیبانی‌شده، یک تصویر PNG یا JPG قابل خواندن، و اجازه نوشتن فایل خروجی نیاز دارید. برای پیروی از مثال، یک تصویر به نام report.png را در دایرکتوری که اسکریپت را اجرا می‌کنید قرار دهید. نصب جداگانه زمان اجرا .NET لازم نیست؛ برای پلتفرم‌های پشتیبانی‌شده، به نیازمندی‌های سیستم مراجعه کنید.
نسخه آزمایشی مقدار متن شناسایی‌شده را محدود می‌کند. برای حذف این محدودیت در طول ارزیابی، می‌توانید یک مجوز موقت درخواست کنید و قبل از شناسایی آن را اعمال کنید. برای جزئیات، به مستندات مجوزدهی مراجعه کنید.
تبدیل یک تصویر به Markdown در Python
این مراحل را برای شناسایی یک تصویر و ذخیرهٔ نتیجه به صورت Markdown دنبال کنید:
- یک نمونه از کلاس
AsposeOcrایجاد کنید. - یک شیء
OcrInputبرای یک تصویر ایجاد کنید و فایل تصویر را اضافه کنید. - یک شیء
RecognitionSettingsایجاد کنید و مقدارdetect_areas_modeرا بهDOCUMENT_LAYOUTتنظیم کنید. - متد
recognize()را برای پردازش تصویر فراخوانی کنید. - نتایج را با استفاده از
save()وSaveFormat.MDذخیره کنید.
برای این مثال، از یک تصویر گزارش شامل یک عنوان، متن، جدول و یک تصویر استفاده کنید. کد زیر را در فایلی به نام image_to_markdown.py ذخیره کنید:
import aspose.ocr as ocr
# Create the OCR engine.
api = ocr.AsposeOcr()
# Add the image to the input.
ocr_input = ocr.OcrInput(ocr.InputType.SINGLE_IMAGE)
ocr_input.add("report.png")
# Enable document layout detection.
settings = ocr.RecognitionSettings()
settings.detect_areas_mode = ocr.DetectAreasMode.DOCUMENT_LAYOUT
# Recognize the image.
results = api.recognize(ocr_input, settings)
# Save the recognition result as Markdown.
results.save("report.md", ocr.SaveFormat.MD)
اسکریپت را از دایرکتوری که شامل report.png است اجرا کنید:
python image_to_markdown.py
اسکریپت report.png را می‌خواند و نتیجهٔ شناسایی را به‌عنوان report.md ذخیره می‌کند. هر دو مسیر نسبت به دایرکتوری کاری فعلی نسبی هستند. برای تبدیل یک تصویر JPG، مسیر ورودی را به فایل .jpg خود تغییر دهید؛ مراحل شناسایی و خروجی همانند قبلی باقی می‌مانند.
حالت DOCUMENT_LAYOUT برای اسنادی که ساختار آنها در خروجی مهم است، در نظر گرفته شده است. تشخیص به تصویر منبع بستگی دارد، بنابراین Markdown تولید شده را در مقابل گزارش اصلی بررسی کنید.
مرور Markdown تولید شده
فایل report.md را در یک ویرایشگر متن یا نمایشگر Markdown باز کنید. متن شناسایی‌شده، ترتیب خواندن و هر محتوای جدول را نسبت به تصویر منبع بررسی کنید. سپس می‌توانید Markdown را ویرایش کنید قبل از افزودن آن به مستندات خود.
به عنوان مثال، یک جدول در Markdown ممکن است به شکل زیر باشد. این نحو توصیفی، نه خروجی واقعی OCR:
| محصول | تعداد فروش | درآمد (دلار آمریکا) |
| --- | --- | --- |
| محصول A | 120 | $18,000 |
اگر مارک‌داون تولید شده شامل ارجاعات به تصاویر استخراج‌شده باشد، بررسی کنید که فایل‌های ارجاع‌شده وجود داشته باشند و در نمایشگر مارک‌داون شما ظاهر شوند. هنگام جابجایی فایل مارک‌داون، مسیرهای آنها را دست‌نخورده نگه دارید.
مارک‌داون محتوا و ساختار را توصیف می‌کند؛ لزوماً ظاهر دقیق گزارش اصلی را بازتولید نمی‌کند.
نکات برای بهبود نتایج OCR
- از یک تصویر منبع واضح استفاده کنید. متن و مرزهای جدول باید در تصویر اصلی قابل خواندن باشند.
- زبان تشخیص مناسب را انتخاب کنید. در صورت نیاز
RecognitionSettings.languageرا تنظیم کنید. برای گزینه‌های موجود به language documentation مراجعه کنید. - جزئیات مهم را بررسی کنید. نام‌ها، اعداد، سلول‌های جدول و ترتیب خواندن را با منبع مقایسه کنید.
- ارجاعات تصویر را تأیید کنید. اگر خروجی به تصاویر استخراج‌شده ارجاع می‌دهد، Markdown را در یک نمایشگر باز کنید و بررسی کنید که آیا ظاهر می‌شوند یا نه.
- اسناد نماینده را تست کنید. جداول و طرح‌های پیچیده ممکن است به اصلاحات دستی نیاز داشته باشند، بنابراین قبل از استفاده از خروجی در یک جریان کاری خودکار، مثال‌ها را مرور کنید.
سوالات متداول
آیا می‌توانم هر دو تصویر PNG و JPG را به Markdown در پایتون تبدیل کنم؟
بله. فایل PNG یا JPG را به OcrInput اضافه کنید، آن را شناسایی کنید و نتیجه را با SaveFormat.MD ذخیره کنید.
آیا OCR پایتون می‌تواند جداول را در یک تصویر تشخیص دهد؟
بله. حالت DOCUMENT_LAYOUT برای تشخیص عناصر سند، از جمله جداول، طراحی شده است. خروجی Markdown تولید شده را بررسی کنید تا ببینید جدول و سلول‌های آن چگونه نمایش داده شده‌اند.
چگونه تصاویر ارجاع‌شده توسط فایل Markdown را مدیریت کنم؟
آیا فایل Markdown دقیقاً چیدمان صفحه اصلی را حفظ می‌کند؟
خیر. Markdown محتوا و ساختار را متفاوت از یک تصویر صفحه نشان می‌دهد. فایل تولید شده را بررسی کنید و در صورت نیاز ساختار آن را تنظیم کنید.
نتیجه‌گیری
از این گردش کار به عنوان نقطه شروع برای تبدیل تصاویر گزارش خود به Markdown در Python استفاده کنید. قبل از افزودن نتایج به مستندات خود، متن شناسایی‌شده، جداول و هر ارجاع تصویری را با نسخه اصلی مقایسه کنید.
برای اطلاعات بیشتر، مستندات مستندات تشخیص. اگر به کمک نیاز دارید، به Aspose.OCR support forum مراجعه کنید.