如何缩小tesseract生成的PDF的大小？

Question

我的（网络）应用程序的设置如下：我得到用户上传的PDF文件，在它们上运行OCR并向他们显示OCRed PDF。由于所有内容都在线，因此最小化生成的PDF文件的大小是减少用户加载和等待时间的关键。

我从用户那里收到的文件是sample.pdf（我创建了一个包含原始文件以及在此处生成的文件的存档：https : //dl.dropboxusercontent.com/u/1390155/tess-files/sample .zip）。我使用tesseract 3.04并执行以下操作：

gs -r300 -sDEVICE=tiff24nc -dBATCH -dNOPAUSE -sOutputFile=sample.tiff sample.pdf
tesseract sample.tiff sample-tess -l fra -psm 1 pdf

OCR的结果很好，但是现在生成的PDF的大小约为2.5倍

• 原始pdf文件大小：60k
• 最终PDF大小：14.7万

所以我问你，如何在保持OCR结果的同时减小生成的PDF的大小？

一种明显的解决方案是在生成tiff时降低分辨率，但是我不想这样做，因为它可能会影响OCR结果。

我尝试的第二件事是使用ghostscript减少了tesseract后的PDF大小：

gs -o sample-down-300.pdf   -sDEVICE=pdfwrite   -dDownsampleColorImages=true \
   -dDownsampleGrayImages=true   -dDownsampleMonoImages=true  \
   -dColorImageResolution=300   -dGrayImageResolution=300  \
   -dMonoImageResolution=300   -dColorImageDownsampleThreshold=1.0  \
   -dGrayImageDownsampleThreshold=1.5   -dMonoImageDownsampleThreshold=1.0 \
    sample-tess.pdf 

这会有所帮助，生成的文件只有101K，因此约为原始文件的1.5倍。我可以接受，但它似乎也会影响OCR结果。例如，现在缺少“餐厅”和“比萨店”（第二行）之间的空白。

带有ghostscript的另一个（更简单）选项（使用ebook参数）导致PDF文件中的质量较差的43k文件，并且存在缺少空白的相同问题：

gs -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -dPDFSETTINGS=/ebook \
    -dNOPAUSE -dBATCH  -dQUIET -sOutputFile=sample-ebook.pdf \
     sample-tess.pdf

较低质量的PDF很好，但是我还是不想在OCR上妥协。

我已经使用PNG和JPEG完成了其他测试，但是OCR结果总是下降（甚至略有下降），并且结果PDF不会更小。例如，使用PNG：

convert -density 300 sample.pdf -transparent white sample.png
tesseract sample.png sample-tess-png -l fra -psm 1 pdf

总数（55.50）丢失，最终PDF大小为149k。

总结一下，这是我的问题：

• 有人可以解释为什么使用ghostscript减小PDF的大小会影响OCR结果吗？我以为文本层和图像层是独立的...
• 当tesseract生成PDF时，是否可以提供一些选择来降低图像质量？
• 我读到其他解决方案（例如ABBYY OCR）使用混合栅格化内容（MRC）来减小文件大小。tesseract已经做到了吗？如果没有，是否有一些开源或专有的CLI工具可以执行此操作，我可以使用这些工具来减少tesseract生成的PDF文件？

同样，只要用户可以搜索文本并选择要从PDF复制/粘贴的文本，我就可以妥协牺牲PDF图像的质量（尽管理想情况下我希望保留颜色）。

任何帮助，不胜感激！

Answer 1

问题1，我看不到任何“附加”到此的文件，所以我在黑暗中猜测。

PDF 中没有“文本层”或“图像层”，PDF 可能有层，但它们是独立的。文本和图像“按原样”嵌入到文件中。当然，将 PDF 渲染为 TIFF 图像的结果确实会生成单个图像文件。

原始 PDF 将使用字体将文本存储为文本，而 TIFF 文件会将整个文本呈现为图像。我不确定 tesseract 到底是如何工作的，并且没有它的输出示例，我无法确定，但我希望它所做的是将渲染图像完整地保留在输出 PDF 文件中，并使用渲染模式 3 添加文本（两者都不是）描边或填充，即不可见）。这就是您上面所描述的“MCR”。

这对您来说意味着原始 PDF 很小，因为大部分（也许全部）内容都被描述为矢量数据。生成的 TIFF 文件很大，因为它是整页位图，使用矢量表示所节省的成本已经丢失。然后将其转换为 PDF（仍然很大），然后将更多文本和字体添加到文档中，这当然只会增加其大小。

实际上，唯一对该文件的大小产生重大影响的是减小位图图像（即用于创建最终输出 PDF 的 TIFF 文件）的大小。

在渲染为 TIFF 和 OCR 之前对原始 PDF 文件进行修改似乎不太可能对最终 PDF 文件大小产生任何影响（警告；压缩可能效果更好，因为可能有更多“平面”颜色区域）

如果没有看到原始文件和最终文件，我真的不能说更多，而且我无法自己测试它（我没有安装 Tesseract），但在我看来，唯一真正的解决方案是在创建最终输出 PDF 文件之前让 Tesseract 对图像进行下采样。