如何使用Sharingan实现报纸文本提取?已完成前置准备求入门示例
完成代码克隆、依赖安装后的实操步骤
- 第一步:校验项目目录完整性
- 进入本地的项目根目录,确认存在三个核心路径:存放核心功能代码的
sharingan/目录、存放内置测试素材的tests/fixtures/目录、根目录下的提取入口脚本run_extraction.py
- 进入本地的项目根目录,确认存在三个核心路径:存放核心功能代码的
- 第二步:准备测试输入文件
- 没有自备测试素材时,可直接使用项目内置的扫描版报纸样例,样例为标准tif格式的单页报纸扫描件,适配项目默认参数
- 测试自定义素材时,将本地的jpg/tif格式报纸扫描件放到可访问的本地路径,记录好文件的绝对路径备用
- 第三步:运行基础提取流程
- 在项目根目录下直接执行入口命令:
python run_extraction.py --input_path <测试文件本地路径> --output_path <结果输出本地文件夹> - 调用内置样例测试时,直接把
input_path参数替换为tests/fixtures/sample_newspaper_page.tif即可,无需额外调整配置文件 - 程序会自动走完版面分割、文本区块识别、结构化文本导出的全流程,运行过程不需要手动介入
- 在项目根目录下直接执行入口命令:
- 第四步:核验提取输出结果
- 命令执行完成后,打开指定的输出文件夹即可查看两类结果文件:
- 带区块边界标注的可视化预览图,可直观核对识别的版面范围是否符合实际报纸排版
- 按阅读逻辑排序的结构化纯文本文件,直接呈现从报纸版面中提取的全部正文内容
- 命令执行完成后,打开指定的输出文件夹即可查看两类结果文件:
入门实操避坑提示
- 第一次启动程序时会自动下载对应版本的预训练模型权重,请勿中途终止进程,等权重拉取完成后才会正式开始提取任务
- 若出现版本兼容类报错,优先核对本地安装的PyTorch版本和项目requirements.txt中标注的版本一致,避免使用跨大版本的不兼容安装包
小技巧:如果需要调整识别的区块粒度(比如单独分离广告、专栏正文),直接修改
configs/目录下的默认配置参数即可,不需要改动核心代码逻辑
内容的提问来源于stack exchange,提问作者Ryad_B
相关产品推荐
相关产品推荐

