2. Linux.do
  3. 有没有佬是个大神

有没有佬是个大神

NOMoneyError 2026-09-11 17:39 1

需求: 要从一个pdf 或者 图片上 做文字内容抽取的功能,最终转为结构化数据(JSON)；

比如从 身份证、申请表、承诺书 抽取数据

结果示例如下:


{

  "姓名": "张三",

  "爱好": [

    "足球",

    "篮球",

    "钓鱼"

  ]

}



{

  "变更内容": [

    {

      "序号": 1,

      "变更前": "xxxx公司",

      "变更后": "yyyyy公司"

    }

  ]

}

有没有佬,有思路

我知道是OCR + 大模型


需要详细思路


比如一个图片中有多个字段,模型是一起抽还是单独抽

如果我还想根据坐标 裁剪图片,怎么做


整个时间要控制在20秒内

最新回复 (16)
  • 🐟哥哥 09-11 17:40
    1楼

    这不是整个ocr模型就行了吗

  • unsafetrait 09-11 17:41
    2楼

    OCR就搞定了，还有一些模型也支持

  • 来个人给我写代码吧 09-11 17:41
    3楼

    现在要学会善用ai工具。你这个需求太笼统了。

  • 多喜乐 09-11 17:41
    4楼

    一个mineru或者docling就可以吧，可以试试

  • crawlerV 09-11 17:41
    5楼

    扔给大模型它会提供一堆思路让它自己干就行

  • yvesyoung 09-11 17:42
    7楼

    做这玩应5年了，吐了要。面对各种套打偏移的解决了一堆。

    OCR+相对位置匹配，相对位置固定的可以做模板，不固定位置的可以借助llm做语义匹配

  • denovochen 09-11 17:42
    8楼

    实习生是吧，问ai啊，现在不管啥需求，我也不理解了，先丢给ai，你这个很好处理的

  • VB 09-11 17:44
    9楼

    用支持格式化输出的ai，例如豆包。

    格式化时可以指定json的键名、键值类型，这样格式通常就稳定了

  • JoJoJotarou 09-11 17:46
    10楼

    这个我之前还真做过^-^


    现在写提示词扔给视觉模型 JSON 输出就好了


    以前做法，图片训练分拣模型，OCR 得坐标，然后格式拆分块，表格等处理换行等，然后就是各种正则匹配

  • 白泽 09-11 17:51
    11楼

    deepseek足够了，跟拉稀一样快，设计好提示词和字段约束，三秒能出结果

  • aaa明 09-11 17:51
    12楼

    Gemini秒出，不需要太复杂的提示词，简单的告诉就可以了， gemini的多模态是很强的

  • cooljser 09-11 18:01
    13楼

    可以试试这个项目，GitHub - PaddlePaddle/PaddleOCR: Turn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages. · GitHub

  • 谷雨 09-11 18:10
    14楼

    佬友你的要求不是固定模板，而是通用场景。纯OCR大概率搞不定的，不如直接多模态大模型吧，提示词写好一点就行。

  • 烧饼 09-11 18:20
    15楼

    我也觉得，现在塞这些视觉模型会简单很多。就是它稳定性和幻觉方面有没有问题？

  • JoJoJotarou 09-11 18:35
    16楼

    这个肯定要具体测（我现在也不做了），手写，模糊啥的，专门的模型啥的（嘴上说肯定是简单，实际还是需要测试的）

    传统方式也没说你能百分百正确，而且传统方式版式啥的适配都非常困难

  • 奴儿哈只 09-11 18:52
    17楼

    找个mineru的项目，或者vibe coding手搓就行了

* 帖子来源Linux.do
附近帖子
返回
飞读
随机推荐