尚未进行 OCR 的批量 OCR 处理 PDF

Question

如果我有 10,000 个 PDF，其中一些已经过 OCR，其​​中一些有 1 个页面已经过 OCR，但其余页面没有，我怎么能浏览所有的 PDF 而只有 OCR 还没有的页面完成了吗？

Answer 1

这正是我一直在寻找的，我有数千个扫描的 PDF 文件，其中一些已经进行了 OCR 处理，有些还没有。

所以，我结合了我在论坛和 Stack Overflow 上找到的信息，并制作了我自己的解决方案，完全可以做到这一点，我在这里为您总结了：

• 递归扫描所有子目录以查找 PDF 文件；
• 检查是否在PDF已经OCR'ed，如果没有，处理与OCR的PDF以高品质，在语言（S），你可以指定;
• 将 OCR PDF就地保存为 PDF/A，并覆盖旧的（未使用 OCR 的）PDF。

我在 Windows 10 上，找不到明确的答案。我尝试使用 Acrobat Pro 执行此操作，但这给了我很多错误，并且 Acrobat 的批处理会在每个错误或受密码保护的文件上停止。我还在 Windows 上尝试了许多其他批处理 OCR 工具，但没有一个工作得很好。我花了无数个小时手动检查哪些文件已经在图像“下方”具有文本层。

直到！微软宣布现在在 Windows 下，在同一台机器上，在同一个文件系统上运行 Linux 非常容易。Linux 上可用的工具和实用程序比 Windows 多，所以我想我会尝试一下。

所以，这里是，一步一步：

1. 在 Windows 控制面板中为 Linux启用Windows 子系统；有很多指南。去谷歌上查询。这是几分钟。
2. 从 Windows 应用商店安装 Linux。打开 Windows 应用商店，搜索Ubuntu并安装。大约需要 5 分钟。
3. 现在你有了“Ubuntu 应用程序”。运行。它向您展示了 linux bash，并通过/mnt/c对您的 Windows 文件进行了文件访问。这是魔法！
4. 你需要一些 Linux “应用程序”，即pdffonts和ocrmypdf；您可以使用命令sudo apt install pdffonts和sudo apt install ocrmypdf 进行安装。我们将使用这些应用程序检查 PDF 中是否有嵌入字体，如果没有，则对 PDF 进行 OCR。（见下面的注释）。
5. 将非常小的 bash 脚本（如下）安装到您的主目录 ~.
6. 转到 (cd) 保存所有 PDF 的目录。例如：/mnt/c/Users/name/OneDrive/Documents。
7. 运行命令： find . -type f -name "*.pdf" -exec /your/homedir/pdf-ocr.sh '{}' \;

完毕！

当然，运行它可能需要很长时间，具体取决于您拥有多少 PDF，以及其中有多少尚未经过 OCR。

这是 sh 脚本。您应该将它保存在您的主文件夹中的某个位置，以便从任何地方轻松调用。像这样：

1. 输入cd ~. 这会将您带到您的主文件夹。
2. 输入pico pdf-ocr.sh. 这将打开一个编辑器。粘贴以下脚本代码。然后按 Ctrl+X，然后按 Y。您的文件现已保存。
3. 输入sudo chmod +x pdf-ocr.sh. 这将授予脚本运行权限。

MYFONTS=$(pdffonts -l 5 "$1" | tail -n +3 | cut -d' ' -f1 | sort | uniq)
if [ "$MYFONTS" = '' ] || [ "$MYFONTS" = '[none]' ]; then
    echo "Not yet OCR'ed: $1 -------- Processing...."
        echo " "
        ocrmypdf -l eng+deu+nld -s "$1" "$1"
        echo " "
else
    echo "Already OCR'ed: $1"
echo " "
fi

这有什么作用？

好吧，该find命令查找当前目录中的所有 PDF 文件，包括子目录。然后它将这些文件“发送”到脚本，在脚本中pdffonts检查是否有嵌入的字体。如果是这样，请跳过该文件并尝试下一个。如果未找到嵌入字体，请使用ocrmypdf进行 OCR 处理。我发现ocrmypdf的 OCR 质量非常好，甚至比 Acrobat 还要好。您当然可以调整设置。例如，我可以想象您可能希望使用其他语言进行 OCR，而不是eng+deu+nld. 您可以在此处查找所有选项：https : //ocrmypdf.readthedocs.io/en/latest/

注意：我在这里假设，如果PDF 文件没有嵌入字体（因此它基本上是 PDF 文件中的图像（扫描）），则它没有经过OCR 处理。我知道这可能并不总是准确和/或真实，但对我来说这足以确定哪些文件要通过 OCR。这样就没有必要重新制作成百上千的 PDF 文件了....

我知道在 Windows 下安装 Linux 会比较麻烦，但是如果您有基本的 Linux 技能，这很容易做到。对我来说这是值得的，因为我现在已经制作了可以工作的“一键式”批处理器。我无法使用 Windows 工具找到解决方案。

我希望有人发现这个并发现这很有用。如果有人有改进，请在此处发布。

谢谢。

乔斯·琼克伦