Разделение сложных PDF-файлов с помощью Watson Document Conversion Service

Я бы порекомендовал вам сначала преобразовать ваш PDF в нормализованный HTML, используя этот параметр:

   "conversion_target": "normalized_html"

и проверьте сгенерированный HTML. Найдите места, где обнаруживаются заголовки (<h1>, <h2>, ..., <h6>). Это теги, которые будут использоваться для разделения по единицам ответа, когда вы вернетесь к answer_units. Причина, по которой вы в настоящее время видите каждую главу разделенной на блоки ответов, заключается в том, что каждая глава, вероятно, начинается с заголовка, но заголовки не обнаружены внутри каждой главы.

Чтобы создать больше блоков ответов, вам потребуется настроить входные конфигурации PDF, как описано здесь, чтобы на этапе преобразования PDF в HTML генерировалось больше заголовков и, следовательно, больше ответов генерируются единицы.

Например, следующая конфигурация будет обнаруживать заголовки на 6 разных уровнях на основе определенных характеристик шрифта для каждого уровня:

{
  "conversion_target": "normalized_html",
  "pdf": {
    "heading": {
      "fonts": [
        {"level": 1, "min_size": 24},
        {"level": 2, "min_size": 18, "max_size": 23, "bold": true},
        {"level": 3, "min_size": 14, "max_size": 17, "italic": false},
        {"level": 4, "min_size": 12, "max_size": 13, "name": "Times New Roman"},
        {"level": 5, "min_size": 10, "max_size": 12, "bold": true},
        {"level": 6, "min_size": 9, "max_size": 10, "bold": true}
      ]
    }
  }
}

Вы можете начать с такой конфигурации и продолжать настраивать ее до тех пор, пока созданный нормализованный HTML не будет содержать заголовки в тех местах, где, как вы ожидаете, должны быть блоки ответов. Затем возьмите измененную конфигурацию, переключитесь на answer_units и соберите все вместе:

{
  "conversion_target": "answer_units",
  "answer_units": {
    "selector_tags": ["h1", "h2", "h3", "h4", "h5", "h6"]
  },
  "pdf": {
    "heading": {
      "fonts": [
        {"level": 1, "min_size": 24},
        {"level": 2, "min_size": 18, "max_size": 23, "bold": true},
        {"level": 3, "min_size": 14, "max_size": 17, "italic": false},
        {"level": 4, "min_size": 12, "max_size": 13, "name": "Times New Roman"},
        {"level": 5, "min_size": 10, "max_size": 12, "bold": true},
        {"level": 6, "min_size": 9, "max_size": 10, "bold": true}
      ]
    }
  }
}

Что касается вашего второго вопроса о таблицах, к сожалению, нет возможности преобразовать содержимое таблицы в единицы ответа. Как объяснялось выше, генерация блоков ответов основана на обнаружении заголовка. При этом, если между двумя обнаруженными заголовками есть таблица, эта таблица будет частью блока ответов, как и любой другой контент между двумя заголовками.