Filtrování textů extrahovaných z PDF, OCR nebo webu

Předmětem této práce je pomocí sadou skriptů zdokonalit převod různých typů dokumentů do čistě textové podoby. Převodem různých nástrojů dochází ke vzniku šumu a ne zcela korektním převodem znaků. Tyto skripty extrahovaný textový soubor vyčistí tak, aby výsledný text byl čitelný, dával smysl a neobsahoval zbytky různě vyskytujících se znaků z převodu grafů, tabulek, vzorců apod. Skript pracuje univerzálně a nevyžaduje vstup vzniklý pouze z nástrojů OCR nebo převodu z formátu PDF či webu.

Grantor dc:publisher

Vysoké učení technické v Brně. Fakulta informačních technologií

Author dc:creator

• Lehnert, Filip

Advisor dc:contributor.advisor

• Szőke, Igor

• filtrovat
• extrahovat
• PDF
• OCR
• čistý text
• slovník
• gramatická pravidla
• skripty
• filtrování dat
• převod dat
• filter
• extract
• plain text
• dictionary
• grammar rules
• scripts
• filtering data
• data conversion

Statement dc:rights

• Standardní licenční smlouva - přístup k plnému textu bez omezení

Language dc:language.iso

cs

Dc Identifier Other

78445

OAI identifier oai:identifier

oai:dspace.vut.cz:11012/187459