Document AI表单处理器多行合并为一行的问题及优化咨询

一、优化预训练表单处理器的识别效果 #

• 调整API调用参数
  调用Document AI API时，启用enable_native_pdf_parsing参数，借助PDF原生结构信息辅助行分割，降低OCR换行误判导致的行合并概率；针对行间距较小的表格，通过table_bound_hints参数手动指定表格边界坐标，帮助模型聚焦目标区域，提升行识别精度。
• 文档预处理优化
  将PDF转换为300DPI以上的高分辨率图片（可使用pdftocairo工具），并调整对比度、去除噪点，减少OCR识别误差；若文档存在倾斜，先进行纠偏处理，确保表格行与识别基准线对齐。

二、自定义处理器的优化方向 #

• 构建针对性训练数据集
  收集覆盖不同列数、不同行间距的目标表格样本，重点包含易出现行合并的场景（如短内容行、跨行内容行）；标注时明确标记每个表格行的边界，让模型学习行分割的核心特征，即使数据稀疏也能覆盖关键场景。
• 混合识别策略
  先调用预训练处理器获取表格轮廓，再用自定义模型对轮廓内的行进行二次分割，弥补预训练模型的不足；同时结合规则引擎，根据列内容语义、文本块垂直间距等特征，手动拆分识别出的合并行。

三、替代提取方案 #

• OCR+规则引擎组合
  使用Google Cloud Vision API或Tesseract完成基础OCR，提取表格区域的文本及位置信息；通过规则（如同一列内文本块的y坐标阈值、垂直间距）手动分割行——例如遍历文本块按y坐标排序，当相邻块垂直间距超过设定阈值时判定为新行。
• 第三方表格提取工具
  尝试Tabula、Camelot等专门的PDF表格提取工具，这类工具针对复杂表格结构优化，对行分割的处理可能更精准，可将其结果与Document AI输出对比，选取最优解。

内容的提问来源于stack exchange，提问作者mijaro