kyy/ocr_performance_lab
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Remove GT skip logic and always run PaddleOCR text extraction

Browse Source
This commit is contained in:
kyy
2025-08-13 09:38:55 +09:00
parent a225767055
commit 8f02dc9a23
1 changed files with 7 additions and 7 deletions
Download Patch File Download Diff File Expand all files Collapse all files

14
utils/text_extractor.py
View File

@@ -19,13 +19,13 @@ async def extract_text_from_file(file_path):
images = [] images = []
if ext == ".pdf": if ext == ".pdf":
# ① 먼저 PDF에서 텍스트 추출 시도 # ① 먼저 PDF에서 텍스트 추출 시도 -> GT를 만들기에 무조건 ocr 과정 거치도록 변경
text_only = await asyncio.to_thread(extract_text_from_pdf_direct, file_path) # text_only = await asyncio.to_thread(extract_text_from_pdf_direct, file_path)
if text_only.strip(): # if text_only.strip():
logger.info( # logger.info(
"[UTILS-TEXT] PDF는 텍스트 기반입니다. (OCR 없이 텍스트 추출 완료)" # "[UTILS-TEXT] PDF는 텍스트 기반입니다. (OCR 없이 텍스트 추출 완료)"
) # )
return text_only, [], "OCR not used" # return text_only, [], "OCR not used"
# ② 텍스트가 없으면 이미지 변환 → OCR 수행 # ② 텍스트가 없으면 이미지 변환 → OCR 수행
images = await asyncio.to_thread(convert_from_path, file_path, dpi=400) images = await asyncio.to_thread(convert_from_path, file_path, dpi=400)