Договора обычно в тексте пересылают. Даже если это ПДФ, то там будет текстовый слой.

End-to-end тут не очень и возможен, потому что всем разное нужно. А для коробочного решения нужно, чтобы было много однотипных запросов было.

На уровне SDK есть RCO FactExtractor, прикрутить к нему tesseract и pdftotext несложно. Ну и интерпретацию выдачи реализовать в нужном формате.

Юридические документы можно качественно обрабатывать с помощью SDK от Megaputer. Есть онлайн демонстрация этой системы на tm.megaputer.ru. В дополнение к анализатору, у системе прилагается язык XPDL для написания правил по извлечению сущностей и фактов. Можно посмотреть обучающий курс про него: https://www.youtube.com/playlist?list=PLSvizcZfU8dSByziG8nu2mLAR-tyWQ_PL

У Мегапьютера есть готовые наборы правил для извлечения многих часто встречаемых параметров из юридических документов.

А teserract дает очень низкое качество распознавания текста, как правило абсолютно недостаточное для приемлемых решений. А если в договоре еще и таблицы есть, то лучше и не пробовать.

Что лучше по качеству - FineReader или есть что-то еще?

Я как-то пытался на tesseract сделать распознавание фоток чеков от кафешек, если отдавать весь текст ему на вход - работает не очень, а вот если текст разбить на строки - намного лучше. Да и вроде раньше в вики к нему и было написано, что он обучается в большинстве случаев распознавать отдельные строки с текстом, а не сразу всё

Но вроде как знаки препинания и регистр букв на изображении он не определяет

FineReader пока самое лучшее решение для распознавания текста по все нашим экспериментам.

В SDK версии или просто коробочный?

И SDK и коробочный работают хорошо.

Есть отличный и "бесплатный" OCR, о котором мало кто знает. И встроен он в Microsoft Office. Да-да! Это MODI - Microsoft Office Document Imaging. Прекрасно работает с русским языком, есть API. Правда, в современные инсталляционные пакеты он с 2010 года не входит, однако спрятан в дистрибутиве SharePoint Designer (https://www.microsoft.com/en-us/download/details.aspx?displaylang=en&id=21581), который пока свободно можно скачать с сайта.  При этом следует выбирать русскую версию, чтобы там был русский язык.  Там можно отключить все опции, оставив только "Office Tools"\"Microsoft Office Document Imaging".  Разумеется, FineReader лучше, зато этот - бесплатный, и на порядок лучше кривого tisseract. Есть мелкий нюанс: работает строго для одного языка. Если в тексте есть английские вставки, то в режиме "русский" будет их пытаться представить кириллицей. Я делал так: сначала для "русского", потом для "английского", а затем объединял результат (там для каждого слова даётся вероятность).

Tesseract требует пред обработку изображения. Те же таблицы в документе которые мешают распознаванию текста можно  удалить  с помощью OpenCV.

Мы давно все сделали.  Это очень банальная  задача, включена уже 2 года назад как типовой узел у  нас в систему Polyanalyst, www.megaputer.ru.  Если нужны кейсы, пишите в личку.

Спасибо, попробуем на досуге

Всем спасибо за ответы! Посмотрю

Всем привет, я тут задумался над ударениями в русских и английских именах и фамилиях, и вот не очень понятно, как это устроено в английском языке. Там такой же зоопарк из ударений или нет? Все примеры, что приходят в голову, имеют ударения на первом слоге. Может кто-нибудь сможет рассказать про это подробнее?

Всем привет! Подскажите новичку, для классификации текста можно использовать матрицу tfidf или требуется сначала посчитать от нее косинусное расстояние? Как правильно?

в английском языке с ударением тоже проблемы. можно скачать cmudict и посмотреть, там ударения проставлены.