Skip to content

Latest commit

 

History

History
339 lines (216 loc) · 10.3 KB

README_zh-cn.md

File metadata and controls

339 lines (216 loc) · 10.3 KB

Build Status

Parsr: 从文档到数据,一步到位!

English | Français | Portuguese | Spanish

Parsr 是一个小巧实用的文档(图像,pdf)清理,解析和提取的工具,可为数据科学家和开发者生成随时可用且整理完成的数据。

它为用户提供了结构化且标记完全的信息集,适用于包括数据输入和文档分析自动化,存档等即用型应用程序。

1. 开始 / 安装

这一节会带您快速安装 Parsr。

您可以使用 Docker 或者直接在您的机器上安装。

1.1 或 1.2 两者择其一即可。

1.1. 通过 Docker 安装

Docker 容器已经上传到 Docker Hub.

其搭建方法和使用说明在 这里.

1.2. 直接安装

1.2.1. 安装 Linux 环境下的依赖

Debian 操作系统下:

sudo add-apt-repository ppa:ubuntuhandbook1/apps
sudo apt-get update
sudo apt-get install nodejs npm qpdf imagemagick tesseract-ocr libtesseract-dev

Arch 操作系统下 :

pacman -S nodejs npm qpdf imagemagick tesseract

1.2.2. 安装 MacOS 环境下的依赖

我们推荐使用 homebrew作为 MacOS 的软件包管理工具 使用如下指令来安装:

/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

之后用 brew 指令安装依赖:

brew install node qpdf imagemagick tesseract tesseract-lang

1.2.3. 安装 Windows 环境下的依赖

  1. Windows 下,我们推荐使用 Chocolatey 作为软件包管理工具来安装依赖: Chocolatey 安装方法

  2. 以管理员身份运行 Powershell,安装 qpdfimagemagick :

    choco install qpdf imagemagick
  3. 下载安装 node.js

1.2.3.1. Tesseract

您可以在 the wiki 下载 Tesseract 4.0 64-bit for Windows 或者查看更新

之后需要将 tesseract.exe 添加到系统路径 PATH:

如果已经将其安装到 C:\Program Files (x86)\Tesseract-OCR,您可以通过 用户界面 进行路径添加,或者在 Powershell 中使用如下指令(以管理员身份运行):

setx PATH "\$env:PATH;C:\Program Files (x86)\Tesseract-OCR" -m

1.3. 可选依赖

以下依赖项是可选的,不安装它们不会影响 Parsr 的正常运行。

每个依赖的功能以及安装过程如下所述:

1.3.1. MuPDF

MuPDF 在 Parsr 中被用于修复输入中某些容易出错或损坏的 PDF 文件。

要安装 MuPDF,请按照与您的环境相对应的步骤操作:

  • Debian 操作系统下:

    sudo apt-get install mupdf mupdf-tools
  • Arch 操作系统下 :

    pacman -S mupdf-tools
  • MacOS 下 :

    brew install mupdf-tools
  • Windows 下 :

    choco install mupdf

如果未安装 MuPDF,则在输入中损坏/不可读的 PDF 文件将不予处理。

日志将会记录此消息。

1.3.2. Pandoc

Pandoc 是一种文档格式转换程序,在 Parsr 中被用于清理操作之后,从 Markdown 的输出生成 PDF 文件。

要安装 Pandoc,请按照与您的环境相对应的步骤操作:

  • Debian 系统下:

    sudo apt-get install pandoc
  • Arch Linux 系统下 :

    pacman -S pandoc
  • MacOS 下 :

    brew install pandoc
  • Windows 下 :

    choco install pandoc

如果未安装 Pandoc,则用户将无法在输出中生成 PDF 文件。

任何需要 PDF 文件输出的配置都将被忽略。

1.3.3. ABBYY FineReader

ABBYY FineReader 是一种高精度 OCR 解决方案,用于从图像生成丰富的文本。 可以从这里获取 ABBYY FineReader Server。

ABBYY FineReader 是一个可选的依赖,不安装它不会影响 Parsr 的默认 OCR 解决方案(tesseract)的日常使用。

2. 使用说明

您可以通过不同方式使用 Parsr:

  • 通过命令行
  • 通过 API
  • 通过 Web Viewer

2.1. 安排 npm 包

npm install

2.2. 运行

2.2.1. 配置

该工具包含一系列模块,可逐步处理文档,并且具有高度可配置性。

要更改它的默认配置,请参阅 配置文档.

2.2.2. 演示: Web Viewer

要启动 web 的演示, 运行:

npm run start:web:vue

之后通过您喜欢的浏览器打开 localhost:3000

2.2.3. 命令行使用

Mac OS X, Linux 下:

npm run run:debug -- --input-file samples/t1.pdf --output-folder dist/ --document-name example --config server/defaultConfig.json --pretty-logs

Windows 下:

cmd /C "npm run run:debug -- --input-file samples/t1.pdf --output-folder samples --document-name example --config server/defaultConfig.json --pretty-logs"

2.3. API

安装 API 服务器:

npm run install:api

启动 API 服务器:

npm run start:api

之后调用端点: localhost:3001.

点击这里查看 API 的文档。

2.4. 测试

npm run test

3. ABBYY FineReader Server

ABBYY FineReader Server 为 Parsr 用户提供了高精度 OCR 选项。

Parsr 默认的 OCR 解决方案是 tesseract,这是 Parsr 的基本依赖。

所以它是完全可选的。

3.1. 服务器配置

选择 ABBYY FineReader Server 作为 OCR 提取解决方案时,需要在运行 Parsr 的主机上设置以下环境变量:

  1. ABBYY_SERVER_URL : ABBYY FineReader Server 的网络地址
  2. ABBYY_SERVER_VER : ABBYY FineReader Server 的版本号,例如:14 对应 ABBYY FineReader Server 14.01
  3. ABBYY_WORKFLOW : 要调用来处理文件的服务器 workflow 名称

在 ABBYY FineReader 服务器端,确保对于所选 workflow 配置了 XML 的输出:

1.双击要使用的 workflow

2.在标题为“output”的选项卡中,确保导出的文件格式列表包含 XML 格式,如果没有,请使用“New”按钮添加。

3.确保在 XML 格式的设置上启用以下设置:

​ -字符属性(Character Attributes) ​ -扩展字符属性(Extended Character Attributes) ​ -原始图像的坐标(Coordinates of the Original Image) ​ -字符格式(Character Formatting)

4. 依赖说明

4.1. 基础依赖

需要安装以下必须的 依赖以使 Parsr 正常工作:

  1. node.js : Parsr 平台的底层框架
  2. qpdf : 打开有密码保护的 PDF
  3. imagemagick : 用于格式转化

4.2. 提取模块的依赖

根据平台要处理的文档类型,应安装以下一个或多个依赖项。

如果要将包含数字(或可选定)文本元素的简单 PDF 输入系统,则需要安装**pdfminer **库。

如果图像(jpgpngtiff等)要与工具一起使用,那么该工具还支持使用以下两个基于 OCR 的解决方案作为底层提取模块:

  1. tesseract : 开源,且支持超过 100 种语言,Google 的 Tesseract 是一款免费的 OCR 解决方案。 但是不能检测到文本格式或表格数据。
  2. ABBYY FineReader Server : 专业的 OCR 解决方案,具有极高的识别准确度,格式识别和表格数据提取。 它是一个可选的依赖项。

4.3. 可选依赖

以下依赖可以选择性的安装:

  1. mupdf-tools: 用于纠正在输入时损坏的 PDF
  2. pandoc: 用于清理操作之后,从 Markdown 的输出生成 PDF 文件。

5. 贡献

请参阅 CONTRIBUTING.md.

6. 第三方证书

第三方证书 :

  1. QPDF: Apache http://qpdf.sourceforge.net
  2. ImageMagick: Apache 2.0 https://imagemagick.org/script/license.php
  3. Pdfminer.six: MIT https://github.com/pdfminer/pdfminer.six/blob/master/LICENSE
  4. PDF.js: Apache 2.0 https://github.com/mozilla/pdf.js
  5. Tesseract: Apache 2.0 https://github.com/tesseract-ocr/tesseract
  6. Camelot: MIT https://github.com/camelot-dev/camelot
  7. MuPDF (Optional dependency): AGPL https://mupdf.com/license.html
  8. Pandoc (Optional dependency): GPL https://github.com/jgm/pandoc

7. 证书

Copyright (C) 2019 AXA. Licensed under the Apache 2.0 license (see the LICENSE file).