Tesseract ocr PDF 作为输入

Question

我正在构建一个 OCR 项目，并且正在使用 .Net 包装器来实现 Tesseract。包装器的示例未显示如何处理 PDF 作为输入。使用 PDF 作为输入如何使用 C# 生成可搜索的 PDF？

• 我使用 Ghostscript 库将 Pdf 更改为图像，然后用它提供 Tesseract，它在获取文本方面效果很好，但我没有保存 Pdf 的原始形状，我只获取文本

如何从 Pdf 中获取文本并保存原始 Pdf 的形状

这是 pdf 中的页面，我不想要只有文本，我希望文本的形状像原始 pdf 一样，抱歉英语不好

Answer 1

出于文档原因，这里是

OCR

使用

tesseract

和

pdf2image

从图像 pdf 中提取文本的示例。

import pdf2image
try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract


def pdf_to_img(pdf_file):
    return pdf2image.convert_from_path(pdf_file)


def ocr_core(file):
    text = pytesseract.image_to_string(file)
    return text


def print_pages(pdf_file):
    images = pdf_to_img(pdf_file)
    for pg, img in enumerate(images):
        print(ocr_core(img))


print_pages('sample.pdf')

Answer 2

有一个方便的工具 OCRmyPDF 可以将文本图层添加到扫描的 PDF 中，使其可搜索 - 这基本上可以自动执行之前答案中提到的步骤。

Answer 3

Tesseract从3.0版本开始支持三明治的创建。但建议使用 3.02 或 3.03 来实现此功能。 Pdfsandwich 是一个脚本，或多或少可以做你想要的事情。

有在线服务 www.sandwichpdf.com，它确实使用 tesseract 来创建可搜索的 PDF。在开始使用 tesseract 实现解决方案之前，您可能需要运行一些测试。结果还不错，但有些商业产品可以提供更好的结果。 披露：我是 www.sandwichpdf.com.

的创建者

Answer 4

使用pdf2png.com，然后上传你的pdf，然后它会将每个页面的所有png文件制作为

<pdf_name>-<page_number>.png

文件中的

.zip

，

然后，你可以编写简单的Python代码为

#/usr/bin/python3
#coding:utf-8
import os
pdf_name = 'pdf_name'
language = 'language of tesseract'
for x in range(int('number of pdf_pages')):
    cmd = f'tesseract {pdf_mame}-{x}.png {x} -l {language}'
    os.system(cmd)

然后，读取所有文件，例如从1.txt一直向上，并附加到单个文件，就这么简单。

Answer 5

好信息的人，这非常有帮助 加科哈里老虎机