如何在Google Document AI/OCR中保留文本空间完整性以构建指标DataFrame

• 启用布局检测与结构化输出
  Google Document AI的通用OCR默认可能仅提取纯文本，忽略排版布局。调用API时需开启布局检测功能，在请求参数的features中指定DOCUMENT_TEXT_DETECTION或LAYOUT_DETECTION，这样返回的结果会包含每个文本元素的坐标、行归属等结构化信息，为还原原图排版提供依据。

• 基于坐标信息重构文本排版
  利用OCR结果中每个文本元素的y轴坐标判断是否属于同一行，x轴坐标确定行内元素的左右顺序，以此还原换行、缩进、对齐等格式。例如将y坐标差值在阈值内的单词归为同一行，按x坐标排序后拼接，即可还原原图的行结构。

• 使用专用处理器适配结构化文档
  如果你的图片是表格或表单类结构化文档，通用OCR容易丢失格式。可选用Google Document AI的Form Parser处理器，它针对表单、表格优化，能直接识别行列结构并输出结构化数据，无需手动还原格式就能提取Rate、RR、PR等指标对应的数值。

• 调整API参数优化识别精度
  调用API时，通过image_context设置language_hints指定文档语言，避免因语言识别偏差导致格式混乱；开启enable_image_quality_scores让AI优先识别清晰区域文本，提升格式还原的准确性。

• 后处理修正格式细节
  若OCR返回文本仍有少量格式偏差，可通过后处理修正：比如根据原图的排版规律（如指标与数值是否同行），用正则匹配行内关键词和数值，或统计文本行长度、对齐方式来调整排版。

内容的提问来源于stack exchange，提问作者Raaghav Rammohan