[已解决]某些pdf识别后文本层每页都有一定程度的错位（附样本）

[lforlgg]

Issues

• [X] I have browsed through the Issues. 我已浏览过Issues，确定没有重复提问。

Umi-OCR version 程序版本

2.1.1

Windows version 系统版本

Windows10

OCR plugins Used 使用的OCR插件

PaddleOCR

Reproduction steps 复现步骤

pdf识别后文本层有错位问题。 Umi-OCR_Paddle_v2.1.1.7z.exe Umi-OCR_Rapid_v2.1.1.7z.exe 都测试过，都有此问题。

Problem screenshots or related files (optional) 问题截图或相关文件（可选）

{ "cpu": "Intel64 Family 6 Model 158 Stepping 10, GenuineIntel | 6C6T", "home": "D:\AI\UmiOCR_Paddle", "path": "D:\AI\UmiOCR_Paddle\Umi-OCR.exe", "platform": "Windows-10-10.0.17763", "python": "3.8.10", "ram": "47.9 GB" } 错位样本P24-28.pdf

[hiroi-sora]

好的，已确认 默认模式下有文本错位的问题，后续会尝试修复。

因为PDF内容格式比较灵活，有一些生成器（扫描仪）又不按规范写入，所以解析时会有预料以外的情况发生，见谅。

目前，你可以将内容提取模式改为整页强制OCR，如下图。可以避免文本错位问题。

[lforlgg]

谢谢大佬，我懂了。试了一下，用您说的选项，完美解决！👍️❤️

那些选项的确有点专业，没接触过的，不敢随意更改默认选项。 如果方便，可以在鼠标移向选项时，给点tips提示：

😋

[hiroi-sora]

收到，好建议

[lforlgg]

好的，已确认 默认模式下有文本错位的问题，后续会尝试修复。

因为PDF内容格式比较灵活，有一些生成器（扫描仪）又不按规范写入，所以解析时会有预料以外的情况发生，见谅。

目前，你可以将内容提取模式改为整页强制OCR，如下图。可以避免文本错位问题。

@hiroi-sora 叨扰大佬，帮看看。 又有一个批量文档ocr错位的样本，这次结果有点惨不忍睹。重置默认设置和用你的设置办法，都差不多结果。 截图ocr倒是还好。 这种类似目录这样排版的，umi-ocr似乎总是喜欢把页码放在一堆，它不是每个条目一行一行。abbyy这块表现比较正常。 排版会错位的OCR样本.pdf

考虑到类似问题集中，我要么不开新帖避免占用更多资源。

[hiroi-sora]

你这份样本，OCR出来的文本位置是没有错的。可能你指的是文本顺序错误，先左边的标题，后右边的页码。

这是因为，Umi默认将PDF当成 多栏排版 ，左边的标题和右边的页码被识别成了 两栏 ，因此先左后右。

你可以在设置里，将 排版解析方案 改为任意的 单栏 ，即可应付这种情景。

当前Umi的算法没办法识别是单栏目录还是双栏正文，所以必须手动选择排版方案。未来可能会引入专门的排版识别AI模型，类似ABBYY那样，支持智能排版。

[lforlgg]

比较困惑，我同样设置得不到您那样的排版结果（识别结果如附件）。 OCR样本_识别后的排版.pdf

[hiroi-sora]

哦哦，懂了，v2.1.1确实存在这个问题。我拿最新main分支做的测试，已经修复了这个问题。

你可以拉取一下main分支（或者github主页下载zip包），直接将 UmiOCR-data 整个目录，覆盖粘贴到v2.1.1的相同目录。

[lforlgg]

预览窗口倒是看着蛮好的，基本像你展示那样

好我一会按您方法“拉取一下main分支”试试

[lforlgg]

按您提示，把源代码中最新的UmiOCR-data部分搞下来覆盖后，表现十分完美👍👍👍 😄👏👏👏 之前一直以为是我自己哪里没搞明白，憋了好久，没提。 这次终于完美！感谢感谢！

关于默认设置，其实截图这种一般单栏的多，应该作为默认。 如果多栏，截图的人发现不对，会分两次画框的。 但是倒过来，很多人就搞不明白了，就放弃尝试了。 或者指向默认值时，边上加气泡提示：如果排版有问题，考虑改变设置：xxxx处

[hiroi-sora]

👍 收到