Openpdf-MultiReceipt-1K

# Openpdf-MultiReceipt-1K

**Openpdf-MultiReceipt-1K** is a dataset consisting of over 1,000 receipt documents in **PDF format**. This dataset is designed for use in image-to-text and document understanding tasks, particularly Optical Character Recognition (OCR), receipt parsing, and layout analysis.

## Notes

* No text annotations or metadata are provided — only the raw PDFs.
* Ideal for tasks requiring raw document inputs like PDF-to-Text pipelines.

## Dataset Summary

* **Size:** 1,249 receipts
* **Format:** PDF only (no extracted text)
* **Split:**

* `train`: 1.25k files
* **Languages:** Primarily English and German
* **License:** Apache 2.0

## How to Use

You can load the dataset using the `datasets` library:

```python
from datasets import load_dataset

dataset = load_dataset("prithivMLmods/Openpdf-MultiReceipt-1K")
```

Each entry in the dataset contains:

```json
{
"file": <PDF file object>
}
```

## Use Cases

* OCR model training
* Document layout detection
* Multi-lingual receipt understanding
* Data extraction from scanned documents

# Openpdf-MultiReceipt-1K

**Openpdf-MultiReceipt-1K** 是一款包含1249份收据文档的数据集，原始格式均为便携式文档格式（Portable Document Format, PDF）。本数据集专为图像转文本与文档理解任务打造，尤其适用于光学字符识别（Optical Character Recognition, OCR）、收据解析及版面分析等场景。

## 备注

* 未附带文本标注或元数据，仅提供原始PDF文件。
* 非常适合需要原始文档输入的任务，例如PDF转文本处理流水线。

## 数据集概览

* **规模**：1249份收据
* **格式**：仅支持PDF格式（不包含已提取的文本内容）
* **数据划分**：
* 训练集（train）：1250份文件
* **语言**：主要包含英语与德语
* **许可证**：Apache 2.0

## 使用方法

可通过`datasets`库加载该数据集：
python
from datasets import load_dataset

dataset = load_dataset("prithivMLmods/Openpdf-MultiReceipt-1K")

数据集中的每个条目包含以下字段：
json
{
"file": <PDF文件对象>
}

## 应用场景

* OCR模型训练
* 文档版面检测
* 多语言收据理解
* 扫描文档的数据提取