你有一份待查收的 TextIn 文档解析内测邀请函！

原创

合合技术团队

修改于 2025-01-13 14:23:07

7000

代码可运行

运行总次数：0

代码可运行

近期，为便捷智能文档处理流程，TextIn文档解析推出内测版本，支持内置参数，完成去水印与切边矫正处理，有效提升解析准确率与输出结果质量。

内测功能详情见下：

1 内置参数，去除图片和PDF水印

实操场景下，部分带有明显水印的文件，会在解析过程中由于水印干扰产生错漏字现象。

TextIn ParseX将去水印功能内置到了产品中，帮助提升解析效果，减少文件另行去水印带来的时间消耗，同时也让代码编写更为便捷。

使用示例：

步骤一：登录TextIn官网TextIn - API中心，获取app-id和secret-code。

步骤二：调用官方示例代码：

import requests
import json

def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

class TextinOcr(object):
    def __init__(self, app_id, app_secret):
        self._app_id = app_id
        self._app_secret = app_secret
        self.host = 'https://api.textin.com'

    def recognize_pdf2md(self, image, options):
        """
        pdf to markdown
        :param options: request params
        :param image: file bytes
        :return: response

        options = {
            'pdf_pwd': None,
            'dpi': 144,  # 设置dpi为144
            'page_start': 0,
            'page_count': 1000,  # 设置解析的页数为1000页
            'apply_document_tree': 0,
            'markdown_details': 1,
            'page_details': 0,  # 不包含页面细节信息
            'table_flavor': 'md',
            'get_image': 'none',
            'parse_mode': 'scan',  # 解析模式设为scan
        }
        """
        url = self.host + '/ai/service/v1/pdf_to_markdown'
        headers = {
            'x-ti-app-id': self._app_id,
            'x-ti-secret-code': self._app_secret
        }

        return requests.post(url, data=image, headers=headers, params=options)

if __name__ == "__main__":
    # 请登录后前往 “工作台-账号设置-开发者信息” 查看 app-id/app-secret
    textin = TextinOcr('#####c07db002663f3b085#####', '######1b1b11a9f9bcd7cc7b######')

    image = get_file_content('file/example.pdf')

    resp = textin.recognize_pdf2md(image, {
        'page_start': 0,
        'page_count': 1000,  # 设置解析页数为1000页
        'table_flavor': 'md',
        'parse_mode': 'scan',  # 设置解析模式为scan模式
        'page_details': 0,  # 不包含页面细节
        'markdown_details': 1,
        'apply_document_tree': 1,
        'dpi': 144  # 分辨率设置为144 dpi
    })
    print("request time: ", resp.elapsed.total_seconds())

    result = json.loads(resp.text)
    with open('result.json', 'w', encoding='utf-8') as fw:
        json.dump(result, fw, indent=4, ensure_ascii=False)

步骤三：将下列去水印的参数集成到代码中，替换上述源代码中的48-62行

resp = textin.recognize_pdf2md(image, {
        'remove_watermark':1, # 去水印功能的控制参数
        'get_image': 'objects'
    })
result = json.loads(resp.text)
filepath = 'pdf2md_remove_watermark.md'
with open(filepath, 'w', encoding='utf-8') as f:
            f.write(result['result']['markdown'])

步骤四：运行最终替换好的代码并得到去水印后识别更精准的解析文件。

效果示例:

可以看到，不仅解析结果中全文没有出现水印上的文字内容，还一并去除了图片上的水印，用户可以轻松提取到干净的文字及插图。

注意事项:

去水印参数支持图片、PDF、word文件；
目前去水印的能力擅长解决倾斜文本，对于图片类、logo文字、横排文字的去除效果有待提升，还请理解。

2 内置图片切边矫正参数，提升识别效果

内测版本还支持用户内置图片切边矫正能力，用于提升拍摄角度不正或歪曲变形的照片的识别效果。

常用场景：医疗报告单据、征信报告、作业照片等
使用示例：

步骤一：登录TextIn官网TextIn - API中心，获取app-id和secret-code。

步骤二：调用官方示例代码

步骤三：将下列切边矫正增强功能的参数集成到代码中，一键替代源代码中的48-62列

resp = textin.recognize_pdf2md(image, {
        'crop_enhance':1, # 切边矫正增强功能的控制参数
    })
result = json.loads(resp.text)
filepath = 'pdf2md_remove_watermark.md'
with open(filepath, 'w', encoding='utf-8') as f:
            f.write(result['result']['markdown'])

步骤四：运行最终替换好的代码并得到切边矫正后识别更精准的解析文件。