Техническое задание: Извлечение и конвертация текста из PDF

Цель проекта

Преобразовать коллекцию из более чем 100 PDF-документов на английском языке в редактируемые файлы форматов Microsoft Word и Microsoft Excel с максимальным сохранением исходной структуры и точности текста.

Исходные данные

• Объем: свыше 100 PDF-файлов.
• Типы документов: смешанные (отсканированные изображения и структурированные цифровые PDF).
• Язык содержимого: простой английский.

Требования к результату

1. Форматы выходных файлов:

• Основной массив документов - в формате Microsoft Word (.docx или .doc).
• Небольшая часть документов (по согласованию) - в формате Microsoft Excel (.xlsx или .xls).

2. Ключевые критерии качества:

• Точность текста: Минимальное количество ошибок распознавания или искажений.
• Сохранение структуры: Перенос абзацев, списков, таблиц (если применимо), заголовков и общего форматирования, соответствующего исходным PDF.
• Читаемость: Текст должен быть готов к дальнейшему использованию и редактированию.

Ожидаемый процесс работы

1. Анализ предоставленного пакета PDF-файлов.
2. Извлечение текста с помощью подходящих инструментов OCR (для отсканированных) и прямого копирования (для цифровых).
3. Ручная или полуавтоматическая проверка и корректировка для обеспечения точности.
4. Структурирование текста в файлах Word и Excel в соответствии с исходниками.
5. Предоставление итоговых файлов в согласованной структуре папок.