V2EX › rocky55 的所有回复 › 第 1 页 / 共 1 页

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

已注册用户请登录

8 天前

@geeekr 如果发票是 PDF 我觉得直接写代码取会更好，如果是图片我也觉得需要针对发票优化，确实没有发票这种数据去到模型里，严格来说发票很难定义成表格结构。

10 天前

我的做法是 PDF 到图片，然后训练模型得到表格的结果，[extract table from pdf]( https://tableninjia.com/post/how_extract_table_from_pdf ) 和 [extract table from image]( https://tableninjia.com/post/how_extract_table_from_image) 有写简单的 pipline

2020-08-06 18:43:41 +08:00

100 w 前缀树的方式存储应该也不会太占内存，如果词不是很长，如果是英文应该就更省了

2020-08-06 18:41:39 +08:00

100 w 好像不多直接放内存，AC 自动机，速度应该不会慢

2020-08-06 18:26:03 +08:00

或许我能做，现在的输出是 xml 能定位图片和文字表格，目前的输出是 xml，主要是 C++ 和 python 写的,实在有需要可以 [email protected]

2019-02-17 09:02:12 +08:00