A tool for checking texts extracted from PDF

Bc. Samuel Benko

Bachelor's thesis

Anotácia:

Táto práca predstavuje vývoj a vyhodnotenie nástroja na extrakciu textu pre súbory PDF so zameraním na udržiavanie kontextu a zvládanie bežných problémov spojených s extrakciou textu PDF, ako je zlučovanie iniciálok, súvislých blokov, hlavičiek a pätiek, tabuliek, viacstĺpcových dokumentov, číslovaných dokumentov. zoznamy a delenie slov. Primárnym cieľom je znížiť ľudské úsilie potrebné na dohľad nad extrahovaným textom automatickým riešením bežných chýb spôsobených optickým rozpoznávaním znakov (OCR) a extraktormi založenými na texte, pričom sa označia problematické oblasti alebo časti, ktoré sa nedajú automaticky opraviť.

Abstract:

This thesis presents the development and evaluation of a text extraction tool for PDF files, focusing on maintaining context and handling common challenges associated with PDF text extraction, such as merging initials, continuous blocks, headers and footers, tables, multi-column documents, numbered lists, and hyphenation. The primary goal is to reduce human effort required for overseeing extracted text by automatically resolving common errors made by optical character recognition (OCR) and text-based extractors while flagging problematic areas or parts that cannot be automatically fixed.

Keywords

OCR, PDF, NLP, text extraction

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 18. 5. 2023

Obhajoba závěrečné práce

• Obhajoba proběhla 26. 6. 2023
• Vedúci: RNDr. Vít Suchomel, Ph.D.
• Oponent: RNDr. Miloš Jakubíček, Ph.D.

Masaryk University

Faculty of Informatics

Bachelor programme / odbor:
Programming and development / Programming and development