synOCR synOCR - GUI für OCRmyPDF

[geimist]

Vielen Dank für deinen Input.
Ich würde gerne mal auf Rückmeldung von @Gthorsten warten, weil der gesamte Pythoncode aus seiner Feder stammt. Er wird es dann sicherlich so umsetzen, dass er das Problem langfristig abdeckt. Im Sommer ist er immer stark beschäftigt, aber die Tage werden ja schon kürzer

 

[DeeKay1]

Jep, macht natürlich Sinn.

@Gthorsten: Mein fix basiert schon auf dem aktuellsten Repo-Stand. Mir ist gerade aufgefallen, dass du letztes Jahr im Oktober schon den regex für regex_long_date und regex_short_date geändert hast. Diese Änderung ging zwar nie in ein Release, behebt aber an sich schon 2 meiner 3 weiter oben gemeldeten Datum-Fehlerkennungen. Mein PR (bzw. die Idee dahinter) fixt dann noch die fehlende Nummer 3.

 

[DeeKay1]

@Gthorsten: Sorry, ich schon wieder. Keine Ahnung ob das schon auf dem Radar ist, aber mit dem dataparser languages-Argument, könnte man dann auch die Parametrisierung der Datum-Werte angehen:

date_obj = dateparser.parse(regex_result.group(0), settings=settings_str, languages=['de'])

Bisher macht das Skript aus dem Regex-Ergebnis "3 Eur 93" bspw. noch ein valides Datum. Da kommt dann der aktuelle Zeitpunkt Minus ein paar Stunden raus.
Mit dem de-Languages-Argument weiß dataparser aber, dass "Eur" definitiv keine Monat ist und gibt aus der parse-Methode ein "none" raus. Ggf. könnte man die languages-Angabe ja über die bestehende synOCR-UI ja relativ einfach durch den User einstellbar machen.

EDIT: Sofern man das macht, könnte man auch wieder die Erkennung von DD.MM.YY mit aufnehmen, da über die Language-Angabe ja die "korrekte" schreibweise erkannt wird.

 

[Scythefiend]

Guten Morgen,

erstmals ein Riesen Lob.
Die Software ist echt super und ich habe dadurch meine persönliche Ablage endlich mal auf Vordermann gebracht.

Jetzt war ich ein bisschen am rumbasteln und bin auf ein Problem gestoßen, das sich einfach nicht lösen lassen will.

Ich versuche mittels Regex nach einem Ausdruck zu suchen - was auch klappt (Angebot ist in diesem Fall der Ausdruck) und danach nach einer Angebotsnummer. Das Problem ist bloß das er mir die Angebotsnummer nicht wiedergibt als Dateinamen.

Ich habe auch im Debug Modus die OCR und Log Datei mal angeschaut und glaube das Problem ist das
dass OCR anstatt eines ":" mal einen Stern oder mal ein Plus erkennt sowie x-mal ein Leerzeichen.
Ist es möglich das ich zwischen dem Wort und der Nummer sämtliche Whitespaces und sonstige Zeichen ignorieren kann bis die Nummer kommt.

Liebe Grüße und danke schon mal für die Mühe

 

[Struppix]

Hallo,
natürlich geht das, in verschiedenen Optionen.
Da aber die Frage nicht, naja nicht ganz eindeutig ist, versuche ich mal zu raten.

Zuallererst schalte doch mal im GUI den Schalter bei "Leerzeichen bereinigte Suche " ein. Damit dürfte, wenn sich nur mehrere Leerzeichen zwischen dem ersten Suchwort und der Nummer befinden, das Problem lösen lassen.
Wenn dort noch andere Wörter usw. stehen, könntest Du 2 Regeln nutzen,.
Oder viel eleganter geht es auch. Dazu gleich mehr, muss ich an meinen PC wechseln...

 

[Struppix]

So, besser als am Handy.

Versuche mal so:

rule_0001:
    tagname: Angebotsnummer_§tagname_RegEx
    tagname_RegEx: (?i)(?|(Angebot(\D*[N|n]um\S+|[\.\-\:\;\s]*Nr))\S*)\s+?\K(\S*\s*?(\d+\S*))+\b
    condition: all
    subrules:
    - searchstring: (?|(Angebot(\D*[N|n]um\S+|[\.\-\:\;\s]*Nr))\S*)\s+?\K(\S*\s*?(\d+\S*))+\b
      searchtyp: contains
      isRegEx: true

Wenn das nicht klappt, dann poste doch mal Deine Regel.

Karsten

 

[Scythefiend]

Huhu,

man bist du schnell ich hab gar nicht mit ner Antwort heute gerechnet
Hab einfach mal meinen Code hingeschrieben, aber werde zuerst mal deinen probieren

Update: dein Code hat leider nicht geklappt aber ich hab meinen etwas überarbeitet und nun klappt es.

das einzige Peoblem ist nur noch das er mir die angebotsnummer 2x in der Benennung einfügt, weil es 2x im Text vorkommt.

hätte da jemand noch einen kleinen Tipp?

liebe Geüße Marcel

rule_001:
    tagname: §tagname_RegEx
    tagname_RegEx: \b(ANGEBOT)\b.\b(Nr)\W*\s(\d{6})
    condition: all
    multilineregex: true
    subrules:
    - searchstring: \b(ANGEBOT)\b.\b(Nr)\W*\s(\d{6})
      searchtyp: contains
      isRegEx: true
      multilineregex: true
      source: content
      casesensitive: true
    - searchstring: (\d{6})
      searchtyp: contains
      isRegEx: true
      multilineregex: true
      source: content
      casesensitive: false

 

[Struppix]

Hey Marcel,
lade mir bitte mal ein Beispiel Dokument hoch (in meiner Signatur), dann schaue ich nachher mal.

Karsten

 

[Scythefiend]

Danke dir Karsten!

 

[Gthorsten]

Hallo @DeeKay1 ,
Irhendwie ist mein login nicht ok gewesen.
Habe länger keine Benachrichtigung mehr bekommen, und da ich auf der Arbeit Land unter war, habe ich auch im forum nicht gelesen. .
Sind die Probleme die du gemeldet hattest schon gefixed?
Sonst schaue ich mir das ganze mal sn
Gruß
Thorsten