请求驱动提取技术：从OCR到RDE的进化

在数字化时代，文档处理技术不断进步，OCR（光学字符识别）技术已经成为读取纸质文档的强大工具。现代的OCR系统不再仅限于读取文本，还能识别更复杂的布局结构，如列表和表格。然而，尽管OCR技术如此强大，它在处理表格数据时仍然存在局限性。本文将探讨请求驱动提取（RDE）技术，这是一种超越传统OCR分析的先进方法，专门用于更精确地从文档中提取表格数据。

问题的提出

假设需要将表格数据导出到Excel文件中。例如，有三份纸质文档，它们具有相同的表格布局（比如电话账单）。如果不想手动输入每个字符，可以扫描文档并执行OCR分析。但由于OCR无法“知道”所有文档都包含相同的表格布局，可能会得到三种不同的表格格式，这显然是不理想的。

解决方案：请求驱动提取（RDE）

RDE技术的出现解决了这一问题。通过RDE，可以为所有文档创建一个唯一的表格模式，并让机器生成相应的结果。这样，就可以为每个文档获得一个统一的信息模型，这是一个虽小但非常重要的区别。

TableExtractor用户手册

为了简单展示RDE技术，创建了一个名为TableExtractor的应用程序。这个应用程序可以看作是文档处理第一部分中MODI示例的扩展版本。同样，需要使用MS Office 2003。新特性是“表格捕获框架”，这是一个半透明的工具窗口，用于自定义个人表格请求。以下是表格提取的整个过程：

1. 打开一个图像文档。
2. 按下OCR按钮以获取文档文本。
3. 使用红色选择区域选择要提取的表格。
4. 按下调整按钮。这将显示表格捕获框架。默认情况下，表格请求将只包含一个单独的列。
5. 要自定义表格请求，请选择添加列并通过拖动列标题来调整大小。
6. 按下捕获按钮以提取表格。
7. 将表格结果导出到文件。
8. 打开一个新文档。当然，可以使用已经自定义的表格。

TableExtractor技术细节

该实现既没有包含特殊技巧，也没有提供突破性的设计模式。想引起对底层对象模型的注意。

对于应用程序，设计了一个简单的文档模型。这是一个由四个布局元素类组成的层次结构：文档、页面、行、单词。这次不使用MODI对象模型，因为需要的是行元素，而MODI模型中没有提供。OCR处理完成后，通过转换MODI对象生成该模型的实例。此时不会生成行，因为特殊的聚类算法会将单词聚类成行。

为了表示对表格的了解，创建了一个表格请求。这个表格请求包含列请求。每个列请求提供了相对于表格的相对宽度。

提取过程分为两个简单的步骤。第一步，从选定的单词元素中聚类表格的行。这种聚类称为Hugh变换。在Y轴上具有重叠投影的单词将被组合成行元素。这就是不进行全局行分割的原因。由于噪声元素（如OCR错误），Hugh变换在限制在小区域时效果更好。第二步遍历所有生成的行，并将包含的单词分割到列中。这是通过使用简单的交集标准来完成的。

限制

本文描述了一个非常基础的表格模型。有很多功能可以扩展这个模型。为了给一个概念，列出了一些示例。请注意，这些点可能会变得非常复杂，而且它们的开发目前正忙于许多人。

• 多行请求：在示例请求模型中，只定义了一种类型的行。可以允许在单个表格中使用替代行类型。
• 自动更正：可以将数据格式模板（例如正则表达式）添加到列请求模型中。这使能够检测或纠正文本内容中的OCR错误。
• 列顺序：可以扩展模型以支持不同的列顺序和可选列。