Tesseract ocr PDF 作为输入

Question

我正在构建一个 OCR 项目，并且正在为Tesseract使用 .Net 包装器。包装器的示例没有显示如何将 PDF 作为输入处理。使用 PDF 作为输入如何使用 c# 生成可搜索的 PDF？

• 我已经使用 ghostscript 库将 Pdf 更改为图像，然后用它提供 Tesseract，它在获取文本时效果很好，但我没有保存 Pdf 的原始形状，我只获取文本

如何通过保存原始 Pdf 的形状从 Pdf 获取文本

这是来自 pdf 的页面，我不想要只有文本，我希望文本的形状与原始 pdf 一样，并且英语不好

Answer 1

有一个方便的工具OCRmyPDF，可以将文本层添加到扫描的 PDF 中，使其可搜索 - 这基本上自动执行了前面答案中提到的步骤。

Answer 2

仅出于文档原因，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 3

Tesseract 从 3.0 版本开始支持创建三明治。但是对于此功能，建议使用 3.02 或 3.03。 Pdfsandwich是一个脚本，它或多或少地满足您的需求。

在线服务www.sandwichpdf.com确实使用 tesseract 来创建可搜索的 PDF。在开始使用 tesseract 实施解决方案之前，您可能需要运行一些测试。结果还可以，但是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。