请教如何提取多行文本块

[lingxu002]

如果图片上有一个句子分成多行的文本块，如下：
“本仓库依托于仓库，快速
提取PDF中文字，包括扫描版
PDF、加密版PDF、可直接复制文字版PDF。”

我用rapidocr会检测到三行文本“本仓库依托于仓库，快速”、“提取PDF中文字，包括扫描版”、“PDF、加密版PDF、可直接复制文字版PDF。”而不是一个文本块
如果一个图像中有并列的几个文本块，会按行提取文字，就会打乱一个完整的句子。
是否可以用rapidocr实现检测完整的一个句子呢？

[lingxu002]

大概意思如下

[SWHL]

暂时没有好的办法支持这个功能。提供两个思路：
思路1: 用一个段落检测模型，预先将图像中是一个完整句子的地方框出来
思路2：用NLP技术来对识别的文本做分类，是否属于一个完整句子

[lingxu002]

非常感谢您的回复！刚才看到有可以处理分栏的算法：https://github.com/hiroi-sora/GapTree_Sort_Algorithm。这个算法可以对OCR结果或PDF提取的文本进行版面分析，按人类阅读顺序进行排序。具体效果需要再研究一下

[SWHL]

如果是PDF的话，直接用版面分析就行，参见我将要搞得库: RapidLayoutRecover

欢迎加入