wpu.nu

MOPOCR

Från wpu.nu

Dokument som skickas till denna wiki körs genom ett specialutvecklat skript jag kallar MOPOCR. Dess uppgift är att översätta till text (OCR), formatera texten, och extrahera nyckelinformation. Detta är en ganska komplex uppgift för ett automatiserat program. Fördelen i detta fall är att många av MOP-dokumenten har liknande format. Därför behöver det inte vara generaliserbart till alla typer av dokument.


Ett exempel är automatisk formatering av dialogförhör. När skriptet upptäcker att det är dialogförhör det har att göra med så formateras det på ett sätt som gör att det blir lättläst på en wiki.


En del metadata extraheras automatiskt. Det gäller tex uppslagsnummer, förhörd person, förhörsledare och klockslag. Skriptet hanterar detta genom att känna igen formulärens format. Om det tex är ett förhör skrivet på formuläret RPS.1.2 så vet skriptet var tex förhörsledare står, även om skanningen är lite sned.


MOPOCR ligger hela tiden och kollar om det laddats upp något nytt dokument. Om det är i rätt kategori så laddas det ner och gås igenom och när det är klart skickas informationen upp till wikin.