OCR и ИИ для автоматизации обработки изображений

Решение

Мы преобразовали страницы PDF в изображения (PyMuPDF) и использовали два подхода к OCR: локальный Tesseract и облачный сервис ocr.space API. Это позволило повысить точность распознавания, особенно на сложных страницах. Далее подключили GPT для парсинга таблиц и выделения ключевых данных.

Сложности

Работа с таблицами в таких документах - отдельный гемор: данные расположены хаотично, подписи налезают друг на друга, а в таблицы нередко вставлены картинки. Всё это сильно мешает автоматизации и требует комбинированного подхода.

Результат

Получили структурированные данные и сохранили их в JSON-файлы, готовые для интеграции в e-commerce-систему.

Инструменты

PyMuPDF, Tesseract OCR, ocr.space API, Python, GPT.

Цель

Получить из PDF-каталога производителя структурированные данные (OEM-коды, модели, годы, применяемость) для последующей загрузки в систему.

Задачи

• Извлечь текст со сканов страниц.
• Распознать и структурировать табличные данные.
• Сохранить результат в удобном для интеграции формате (JSON).