[自动化录入]清华文革亲历——史料实录·大事日志（香港五七学社出版公司2009年）

[PirateBook1]

{
    resource_type: 'book',
    source_name: '清华文革亲历——史料实录·大事日志（香港五七学社出版公司2009年）',
    author: '邱心伟、原蜀育，香港五七学社出版公司2009年',
    archive_id: 3,
    articles: [{
        title: '清华文革亲历——史料实录·大事日志',
        authors: ['邱心伟', '原蜀育'],
        page_start: 2,
        page_end: 418,
        dates: [
            { year: 2009 }
        ],
    }],
    ocr: { // ocr 参数 以及 默认参数
            // extract_text_from_pdf: false, // 默认为false，如果pdf已经有文本信息就可以设置为true跳过OCR
            // rec_model: 'ch_ppocr_mobile_v2.0',
            // rec_backend: 'onnx',
            // det_model: 'ch_PP-OCRv3_det',
            // det_backend: 'onnx',
            // resized_shape: 1496, // 在OCR前resize到这个尺寸，这个参数仅影响识别效果，识别结果的坐标仍是取决于原图像尺寸
            // box_score_thresh: 0.3,
            // min_box_size: 10,
            auto_vsplit: true, // 用于分页或者处理特殊的排版。如果为 ture，当页面宽度大于高度时，将ocr结果中页面中间(vsplit的位置)分开
            vsplit: 0.5, // 如果设置为0.5，ocr结果将从页面宽度的50%处分割，如果为0表示不分割。当auto_vsplit为false且vsplit不为0时，表示任何页面都进行分割。
            content_thresholds: [0.0, 0.0, 0.0, 0.0], // 通常需要忽略在页面边缘的页眉，页码或者噪声，数组内4个数值分别表示上下左右相对于宽高的比例， 例如 [0.1,0,0,0] 表示忽略顶部占总高度百分之10的内容
            line_merge_threshold: 30, // 单位像素，如果小于这个阈值将被视为同一行
            standard_paragraph_merge_strategy_threshold: 0, // 标准段落合并策略，0表示禁用（请在标准和差分策略中二选一），如果是0.2，当一行中最左侧的x坐标超过页面宽度的20%表示新段落，否则向上一行合并
            differential_paragraph_merge_strategy_threshold: 30, // 差分段落合并策略，0表示禁用，如果为30，这一行的最左侧的x坐标减去上一行的最左侧的x坐标大于30像素 而且 这一行的最左侧的x坐标减去下一行的最左侧的x坐标大于30像素 时表示这一行是新的段落，否则向上一行合并
        },
    // ocr_exceptions: {
    //     "3": {
    //         content_thresholds: [0.2, 0.2, 0.1, 0.1],
    //         // ...其他ocr参数（可选）
    //     },
    // }],
}

1