MÓKUSMindent Óccsón Kiszedő Ubuntus Szoftverek

Technológia

• pdftk• convert• tesseract• Python• magyarlánc• Processing• AntConc

Workflow

1. OCR2. (Kihívásokkal teli) javítás3. Szótövezés4. Felszeletelés (regex alapon paragrafusokra)5. Cosine similarity a szeletek között6. WinMerge

Miért?

0.98

0.90

0.83

ajajajajánlat

• Jobb OCR• Más hasonlósági metrikák• Sávos szófelhőzés