OCR: Распознавать текст документов и экспортировать в JSON
Есть сканы документов (договоры), по сути это просто текст разбитый на абзацы.
Нужно:
– подготовить картинку к обработке (повернуть, кропнуть, etc)
– разрезать картинки на абзацы (заголовок + текст). это нужно потому что и tesseract быстрее и лучше мелкие куски распознает + так же хранить это будем
– почистить распознанный текст (убрать мусорные символы, которые не являются буквами)
– полученное сохранить как json примерно так <document><header></header><text></text><header></header><text></text></document>
Реализация:
– скорее всего Python
– все завернуть в докер, так чтобы можно было просто контейнер положить в нам swarm и все
– сервис должен быть реализован как rest API
мы отправляем в АПИ файл (или массив файлов), оно возвращает нам json с результатами
– также для тестирования должен быть просто UI для отправки файла и просмотра результата распознания
В общем, задача несложная, нужно все сделать четко и красиво.
В ответе пишите про свой опыт + сразу контакт в телеграме.