如何转换Google Document AI输出以保留文本排版？

Google Document AI没有直接对应Tesseract preserve_interword_spaces=1的单一配置项，但可以通过以下方式实现排版和空格的保留：

• 基于结构化输出重构排版：Document AI的JSON输出包含每个文本片段的boundingPoly（边界框）和layout信息，可通过这些坐标数据计算文本块的间距、换行与对齐方式，自行还原原始排版。比如对比相邻文本块的x/y坐标，判断是否需要添加空格、换行或缩进。
• 选用特定处理器：若文档是表单或有明确布局结构，选择FORM或LAYOUT处理器，它们会更细致地识别段落、表格、列表等布局元素，输出的结构化数据会包含段落内的空格和换行信息，便于排版还原。
• 利用文本位置关联信息：输出中的text_anchor和segment字段记录了文本在原始文档中的位置关联，结合这些信息能精准还原原始空格与排版结构，避免纯文本提取时的空格合并问题。
• 后处理脚本优化：如果已提取纯文本，可编写后处理脚本，结合Document AI输出的布局数据，为纯文本补充空格和换行。比如根据文本块的水平间距，在单词间添加对应数量的空格。

内容的提问来源于stack exchange，提问作者Raad Altaie