有没有佬是个大神

NOMoneyError · 2026-09-11T17:39:00+08:00

需求: 要从一个pdf 或者图片上做文字内容抽取的功能,最终转为结构化数据(JSON)；比如从身份证、申请表、承诺书抽取数据结果示例如下:```{ "姓名": "张三", "爱好": [ "足球", "篮球", "钓鱼" ]}``````{ "变更内容": [ { "序号": 1, "变更前": "xxxx公司", "变更后": "yyyyy公司" } ]}```有没有佬,有思路我知道是OCR + 大模型需要详细思路比如一个图片中有多个字段,模型是一起抽还是单独抽如果我还想根据坐标裁剪图片,怎么做整个时间要控制在20秒内

916

NOMoneyError2026-09-11
32408
需求: 要从一个pdf 或者图片上做文字内容抽取的功能,最终转为结构化数据(JSON)；
比如从身份证、申请表、承诺书抽取数据
结果示例如下:```
{
"姓名": "张三",
"爱好": [
"足球",
"篮球",
"钓鱼"
]
}
``````
{
"变更内容": [
{
"序号": 1,
"变更前": "xxxx公司",
"变更后": "yyyyy公司"
}
]
}
```有没有佬,有思路
我知道是OCR + 大模型
需要详细思路
比如一个图片中有多个字段,模型是一起抽还是单独抽
如果我还想根据坐标裁剪图片,怎么做
整个时间要控制在20秒内
主楼
🐟哥哥2026-09-11
39407
这不是整个ocr模型就行了吗
#1
unsafetrait2026-09-11
6380
OCR就搞定了，还有一些模型也支持
#2
来个人给我写代码吧2026-09-11
29142
现在要学会善用ai工具。你这个需求太笼统了。
#3
多喜乐2026-09-11
31638
一个mineru或者docling就可以吧，可以试试
#4
crawlerV2026-09-11
32323
扔给大模型它会提供一堆思路让它自己干就行
#5
yvesyoung2026-09-11
12079
做这玩应5年了，吐了要。面对各种套打偏移的解决了一堆。
OCR+相对位置匹配，相对位置固定的可以做模板，不固定位置的可以借助llm做语义匹配
#6
denovochen2026-09-11
4410
实习生是吧，问ai啊，现在不管啥需求，我也不理解了，先丢给ai，你这个很好处理的
#7
VB2026-09-11
37182
用支持格式化输出的ai，例如豆包。
格式化时可以指定json的键名、键值类型，这样格式通常就稳定了
#8
JoJoJotarou2026-09-11
36085
这个我之前还真做过^-^
现在写提示词扔给视觉模型 JSON 输出就好了
以前做法，图片训练分拣模型，OCR 得坐标，然后格式拆分块，表格等处理换行等，然后就是各种正则匹配
#9
白泽2026-09-11
9125
deepseek足够了，跟拉稀一样快，设计好提示词和字段约束，三秒能出结果
#10
aaa明2026-09-11
5405
Gemini秒出，不需要太复杂的提示词，简单的告诉就可以了， gemini的多模态是很强的
#11
cooljser2026-09-11
27267
可以试试这个项目，GitHub - PaddlePaddle/PaddleOCR: Turn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages. · GitHub
#12
谷雨2026-09-11
5815
佬友你的要求不是固定模板，而是通用场景。纯OCR大概率搞不定的，不如直接多模态大模型吧，提示词写好一点就行。
#13
烧饼2026-09-11
39240
我也觉得，现在塞这些视觉模型会简单很多。就是它稳定性和幻觉方面有没有问题？
#14
JoJoJotarou2026-09-11
36085
这个肯定要具体测（我现在也不做了），手写，模糊啥的，专门的模型啥的（嘴上说肯定是简单，实际还是需要测试的）
传统方式也没说你能百分百正确，而且传统方式版式啥的适配都非常困难
#15
奴儿哈只2026-09-11
35095
找个mineru的项目，或者vibe coding手搓就行了
#16

发表回复

登录后回复