如何在mindee docTR中保留文档结构，便于Java正则提取数据？

针对你用docTR提取结构化PDF时输出错位、导致Java正则提取困难的问题，可通过以下方案解决：

1. 启用docTR的布局分析模式 #

docTR默认的纯文本提取会忽略文档的区块结构，开启布局分析后，模型会先识别文档中的逻辑区块（如标题、标签、内容行），再按区块顺序输出，能最大程度保留原文档的行对应关系。

示例Python代码：

from doctr.io import DocumentFile
from doctr.models import ocr_predictor

# 加载带布局分析的OCR模型
predictor = ocr_predictor(det_arch='db_resnet50', reco_arch='crnn_vgg16_bn', pretrained=True, layout_analysis=True)
doc = DocumentFile.from_pdf("target_receipt.pdf")
result = predictor(doc)

# 按区块层级输出文本，区块间用空行分隔
for page in result.pages:
    for block in page.blocks:
        for line in block.lines:
            print(" ".join([word.value for word in line.words]))
        print("\n")

2. 自定义键值对对齐逻辑 #

如果布局分析后仍有少量错位，可通过预设的标签列表，强制将内容与对应标签绑定，避免正则匹配的复杂性。

Java伪代码实现：

import java.util.*;

public class ReceiptParser {
    public static void main(String[] args) {
        String extractedText = "你的docTR输出文本";
        List<String> lines = Arrays.asList(extractedText.split("\n"));
        Map<String, String> receiptData = new HashMap<>();
        
        // 预设PDF中的标签集合
        Set<String> keys = new HashSet<>(Arrays.asList(
            "ABC Receipt", "Nature of request", "Request Code", 
            "status of application", "observation"
        ));
        
        String currentKey = null;
        StringBuilder currentValue = new StringBuilder();

        for (String line : lines) {
            line = line.trim();
            if (keys.contains(line)) {
                // 保存上一组键值对
                if (currentKey != null) {
                    receiptData.put(currentKey, currentValue.toString().trim());
                    currentValue.setLength(0);
                }
                currentKey = line;
            } else if (currentKey != null && !line.isEmpty()) {
                currentValue.append(line).append(" ");
            }
        }
        // 处理最后一组键值对
        if (currentKey != null) {
            receiptData.put(currentKey, currentValue.toString().trim());
        }
        
        // 输出整理后的结构化数据
        receiptData.forEach((k, v) -> System.out.println(k + ": " + v));
    }
}

3. 优化PDF预处理参数 #

若PDF存在扫描模糊、字体异常等问题，可调整预处理参数提升识别精度，减少行错位：

• 开启preserve_aspect_ratio=True避免缩放扭曲行结构；
• 手动二值化增强文本对比度，降低识别错误率。

示例代码片段：

from doctr.io import DocumentFile
from doctr.utils import binarize

# 保留PDF原始比例加载
doc = DocumentFile.from_pdf("target_receipt.pdf", preserve_aspect_ratio=True)
# 手动二值化预处理
processed_pages = [binarize(page) for page in doc]

# 再传入模型进行识别
result = predictor(processed_pages)

内容的提问来源于stack exchange，提问作者Rex