关于多栏布局/版面分析的一些探讨

[hiroi-sora]

各位开发者好，我是 Umi-OCR 的作者。

Umi-OCR 是一个开源的OCR软件，目前正在开发PDF扫描件识别的功能。其中的一个难点在于，OCR得到的文本块的顺序，往往与实际阅读顺序不符合，特别是在多栏布局的文档中。我需要根据文档的排版，正确区分出不同列，按实际阅读顺序为文本块进行排序。

pdf2docx 中也涉及一些基于规则的排版解析功能。我浅读了部分代码，这给了我一些启发。

最终，我设计出一个新算法： GapTree_Sort 间隙树排序法 。它通过寻找文本块之间的间隙，将页面切割为不同的纵向区块，构建出布局树。最后，前序遍历布局树，即可得到符合人类阅读习惯的文本排序。

当然，除了排序文本块，也能通过布局树分析更多排版信息。（不过它不是针对PDF设计的，没有考虑块对象本身附带的标签等信息。）

pdf2docx 当前的规则匹配，只支持最多2栏、且列宽不能相差太大。

而 GapTree_Sort 支持更复杂的排版情况。如：任意多栏布局(>2)，列宽不一致，跨多列区块等。

另，该算法对于常见布局的时间复杂度仅为 O(n) ，n为文本块数量。仓库中有证明。

GapTree_Sort 是个刚开发的算法，可能有很多不完善的地方；各位可以来测试或提供一些建议。仓库内有示例代码和更详细的算法流程介绍。

https://github.com/hiroi-sora/GapTree_Sort_Algorithm

[dothinking]

版面分析是 pdf2docx 缺失的一环，目前的工作只能算机械的两栏划分。我会学习一下你的算法，希望可以拓展、集成到这个库中。非常感谢。

[nunamia]

各位开发者好，我是 Umi-OCR 的作者。

Umi-OCR 是一个开源的OCR软件，目前正在开发PDF扫描件识别的功能。其中的一个难点在于，OCR得到的文本块的顺序，往往与实际阅读顺序不符合，特别是在多栏布局的文档中。我需要根据文档的排版，正确区分出不同列，按实际阅读顺序为文本块进行排序。

pdf2docx 中也涉及一些基于规则的排版解析功能。我浅读了部分代码，这给了我一些启发。

最终，我设计出一个新算法： GapTree_Sort 间隙树排序法 。它通过寻找文本块之间的间隙，将页面切割为不同的纵向区块，构建出布局树。最后，前序遍历布局树，即可得到符合人类阅读习惯的文本排序。

当然，除了排序文本块，也能通过布局树分析更多排版信息。（不过它不是针对PDF设计的，没有考虑块对象本身附带的标签等信息。）

pdf2docx 当前的规则匹配，只支持最多2栏、且列宽不能相差太大。

而 GapTree_Sort 支持更复杂的排版情况。如：任意多栏布局(>2)，列宽不一致，跨多列区块等。

另，该算法对于常见布局的时间复杂度仅为 O(n) ，n为文本块数量。仓库中有证明。

GapTree_Sort 是个刚开发的算法，可能有很多不完善的地方；各位可以来测试或提供一些建议。仓库内有示例代码和更详细的算法流程介绍。

https://github.com/hiroi-sora/GapTree_Sort_Algorithm

不得不说，思路很好，解决也不错，唯一问题就是被大模型降维打击了，无论准确性和复杂度，没有Layoutlmv3简单高效。

[heweisheng]

各位开发者好，我是 Umi-OCR 的作者。 Umi-OCR 是一个开源的OCR软件，目前正在开发PDF扫描件识别的功能。其中的一个难点在于，OCR得到的文本块的顺序，往往与实际阅读顺序不符合，特别是在多栏布局的文档中。我需要根据文档的排版，正确区分出不同列，按实际阅读顺序为文本块进行排序。 pdf2docx 中也涉及一些基于规则的排版解析功能。我浅读了部分代码，这给了我一些启发。 最终，我设计出一个新算法： GapTree_Sort 间隙树排序法 。它通过寻找文本块之间的间隙，将页面切割为不同的纵向区块，构建出布局树。最后，前序遍历布局树，即可得到符合人类阅读习惯的文本排序。 当然，除了排序文本块，也能通过布局树分析更多排版信息。（不过它不是针对PDF设计的，没有考虑块对象本身附带的标签等信息。） pdf2docx 当前的规则匹配，只支持最多2栏、且列宽不能相差太大。 而 GapTree_Sort 支持更复杂的排版情况。如：任意多栏布局(>2)，列宽不一致，跨多列区块等。 另，该算法对于常见布局的时间复杂度仅为 O(n) ，n为文本块数量。仓库中有证明。 GapTree_Sort 是个刚开发的算法，可能有很多不完善的地方；各位可以来测试或提供一些建议。仓库内有示例代码和更详细的算法流程介绍。 https://github.com/hiroi-sora/GapTree_Sort_Algorithm

不得不说，思路很好，解决也不错，唯一问题就是被大模型降维打击了，无论准确性和复杂度，没有Layoutlmv3简单高效。

目前有基于Layoutlmv3的面版识别训练开源吗？我用飞浆的ppstruct效果处理论文外的数据效果不好，目前只能处理对应的分类论文类的，暂时还没有找到通用的识别