Bakalářská práce

A tool for checking texts extracted from PDF

Samuel Benko
Anotace

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 …více

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 …více

Klíčová slova
OCR PDF NLP text extraction
Zadání práce

Cílem práce je seznámit se se současnými nástroji pro extrakci textu z formátu PDF a popsat problémy, které se při jejich použití vyskytují: Chybný tok textu ve sloupcích, slova rozbitá mezerami, slova rozdělená spojovníkem na konci odstavce nebo stránky, iniciála v samostatném odstavci a další.

Student vybere vhodné nástroje a provede extrakci textu na souborech PDF dodaných zadavatelem.

Dále student vytvoří nástroj, který v získaném textu označí potenciálně chybně extrahované části textu, vzhledem k rozpoznávaným problémům, případně některé chyby automaticky opraví a opravu též vyznačí.

Takto zpracovaný výstup bude sloužit ke kontrole a ruční opravě extrahovaného textu člověkem. Cílem je snížit úsilí potřebné k této kontrole a opravě, přičemž z opravených textů zadavatel sestavuje textové korpusy pro jazykové analýzy a vytváření jazykových slovníků.

Administrativní informace
Práce zkontrolována:
18. 5. 2023 13:28, RNDr. Vít Suchomel, Ph.D., učo 139723
Plný text práce
1,2 MB / soubor PDF
Přílohy (1)
Jazyk práce
angličtina angličtina
Termín obhajoby
26. 6. 2023
Práce byla úspěšně obhájena

Vedoucí

RNDr. Vít Suchomel, Ph.D., učo 139723
CZPJ KSUZD FI MU

Oponent

RNDr. Miloš Jakubíček, Ph.D., učo 172962
CZPJ KSUZD FI MU
Citovat tuto práci
Masarykova univerzita Fakulta informatiky
Studijní program
Plán
Programování a vývoj aplikací

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.