OCR Tesseract：将标题与文本分开的选项

Question

我正在使用tesseract（通过python包装器）以从文档中提取文本。这些文档不包含任何图像或表格，仅包含文本。

是否有其他选项可将标题/标题与文本区分开？理想情况下，我希望能够有一个像xml树之类的东西，而不是整个字符串链（我不需要对文档布局有任何了解）。

[我发现一些third party tools似乎可以提供帮助，但我想知道是否可以直接从tesseract进行。

Answer 1

您可以使用Nanonets OCR api创建用于分隔标题和文本的模型，也可以添加其他标签。