Google Document AI识别多栏PDF列间距被忽略的问题求助

要修复两栏文本被识别为单栏的问题，核心是让模型识别布局并基于坐标拆分列，具体步骤如下：

• 启用布局分析功能
  基础OCR不会自动识别多栏结构，必须调用Document OCR服务并开启LAYOUT_DETECTION特性。在API请求的features字段中添加该参数，模型会返回每个文本块的边界坐标、栏位归属等布局信息。

• 基于坐标拆分文本列
  利用返回的文本块坐标（boundingPoly）按栏分组拼接：

  1. 由于希伯来语是从右到左阅读，优先按文本块的右侧X坐标分组——右侧坐标更大的块属于第一栏，更小的属于第二栏；
  2. 同一栏内的文本块，按顶部Y坐标从上到下排序；
  3. 分别拼接每一栏的文本，得到符合预期的分栏结果。

  对应你的示例，处理后会把右侧栏的text of first和more text test拼接，左侧栏的text of second和second test拼接，输出符合预期的分栏文本。

• 优化模型参数提升精度
  若布局检测效果不佳，可进一步调整：

  • 使用Premium Document OCR模型，它对复杂多栏布局的识别能力更强；
  • 在请求中设置languageHints为["he"]，明确指定希伯来语，帮助模型适配从右到左的文本排版逻辑。

内容的提问来源于stack exchange，提问作者medic17