g0cr / g0vcaptcha
編輯歷史
| 時間 | 作者 | 版本 |
|---|---|---|
| 2017-07-03 06:41 – 06:41 | r0 – r1 | |
顯示 diff+ g0cr / g0vcaptcha
+
+ *Strategy
+ 此專案的目的在批次處理文件的掃描圖檔，轉換為文字。
+
+ *.gov.tw 上許多報告文件雖是 PDF，但其內容卻是紙本報告掃描而成的圖檔，無法快速傳成文字格式、或建立索引。因此必需要由人工來處理。
+
+ 運作方面，打算仿效 recaptcha 的方式，先把圖檔切成較小的文字區塊，一方面可以丟給程式做 OCR，另一方面做出界面讓使用者提供正確答案。
+
+ 最終的產品，是把上傳的圖檔轉成純文字格式，讓人可以搜尋，或讓外部搜尋引擎可以抓取內容回去。
+
+ *Scope
+ web app: http://g0cr.gugod.org/
+ git repo: https://github.com/g0v/g0vcaptch
+
+
+ Web App
+ *讓人上傳文件
+ *顯示機器辨識的結果
+ *實做多種機器辨識演算法，以提升整體的正確率（recall）
+ *讓人可修正機器辨識的文字
+ *顯示人工辨識的結果
+ *提供搜尋介面，讓人可搜尋文件內容
+ *提供每份文件的靜態版，讓外部搜尋引擎抓取
+ *讓人可提供文件的輔助資訊，例如：來源，摘要，原下載網址。
+
+ Background job
+ *抓取文件中有字的區塊，並進行機器辨識
+ *目前使用 tesseract 做成 HOCR 格式的輸出。
+ *整合所有區塊，製成成靜態版（純文字及 HTML）
+
+
+ *Structure
+
+ *Wireframe / Content
+
+ *Visual
+ *白老鼠/狗食部落客
+ *如果有這功能，我可以把我們所有客戶的captcha都逐步換上。
|
||