You need to enable JavaScript to run this app. 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
优惠活动
大模型
产品
解决方案
定价
更多

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

Sharingan 报纸文本提取快速上手指南

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
  • 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
  • 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

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.11 03:24:04