PDF的批量OCR程序

Question

以前曾经问过,但我真的不知道这些答案对我有帮助.这是我的问题:我得到了一堆(10,000左右)pdf文件.有些是使用adobe的打印功能保存的文本文件(所以他们的文本是完美的,我不想冒险搞砸它们).有些是扫描图像(所以他们没有任何文字,我将不得不接受OCR).文件在同一目录中,我无法分辨哪个是哪个.最终我想将它们转换为.txt文件,然后对它们进行字符串处理.所以我希望最准确的OCR成为可能.

似乎有人建议:

1. adobe pdf(我没有这样的许可副本......加上如果ABBYY finereader或更好的东西,如果我不使用它,为什么要付费)
2. ocropus(我无法弄清楚如何使用这个东西),
3. Tesseract(看起来好像它在1995年很棒,但我不确定是否有更准确的东西加上它本身不做pdf而且我必须转换为TIFF.这引起了我自己的问题,因为我没有一个acrobat的许可副本,所以我不知道如何将10,000个文件转换为tiff.另外我不希望将10,000个30页文档转换为30,000个单独的tiff图像).
4. wowocr
5. pdftextstream(来自2009年)
6. ABBYY FineReader(显然它的'$$$,但如果这个东西明显更好,我会花600美元来完成这个,即有更准确的ocr).

我也是编程的n00b所以如果要花几周的时间来学习如何做,我宁愿支付$$$.感谢输入/体验.

顺便说一下,我正在运行Linux Mint 11 64位和/或Windows 7 64位.

以下是其他主题:

批量OCRing尚未进行OCR的PDF

开源OCR

使用OCR的PDF文本提取方法

https://superuser.com/questions/107678/batch-ocr-for-many-pdf-files-not-already-ocred

Answer 1

只是简单地说出你的一些误解......

"我没有acrobat的许可副本,所以我不知道如何将10,000个文件转换为tiff."

你可以在免费(如在自由)和免费(如啤酒)Ghostscript的帮助下将PDF转换为TIFF.您可以选择在Linux Mint上还是在Windows 7上执行此操作.Linux的命令行是:

gs \
 -o input.tif \
 -sDEVICE=tiffg4 \
  input.pdf

"我不希望将10,000个30页文档变成30,000个单独的tiff图像"

您可以轻松拥有"多页"TIFF.上面的命令确实创建了G4(传真tiff)风格的这种TIFF .如果你甚至想要单页TIFF,你可以修改命令:

gs \
 -o input_page_%03d.tif \
 -sDEVICE=tiffg4 \
  input.pdf

该%03d输出文件名的一部分会自动转化成一系列001,002,003等.

注意事项:

1. tiffg4输出设备的默认分辨率为204x196 dpi.你可能想要更好的价值.要获得720 dpi,您应该添加-r720x720到命令行.
2. 此外,如果您的Ghostscript安装使用letter作为其默认媒体大小,您可能需要更改它.您可以使用-gXxY在设备点中设置widthxheight.因此,要在横向上获取ISO A4输出页面尺寸,您可以添加-g8420x5950参数.

因此,控制这两个参数的完整命令,在纵向方向上在A4上产生720 dpi输出,将显示为:

gs \
 -o input.tif \
 -sDEVICE=tiffg4 \
 -r720x720 \
 -g5950x8420 \
  input.pdf

Answer 2

想通过回答我自己的问题我会尝试做出贡献(为自己编写了一些很好的代码,如果没有这个板的帮助就无法完成它).如果你在unix中使用pdf文件(好吧,对我来说是osx),那么有文本的pdf文件中会有单词"Font"(作为字符串,但与其他文本混合在一起)b/c那是怎么回事文件告诉Adobe要显示的字体.

bash中的cat命令似乎与在python中以二进制模式读取文件具有相同的输出(在打开文件而不是'w'或'r'或'a'时使用'rb'模式).所以我假设所有包含文本的pdf文件在二进制输出中都有"Font"字样,并且不会出现只有图像的文件.如果总是如此,则此代码将列出单个目录中包含文本的所有pdf文件以及仅包含图像的单独列表.它将每个列表保存到单独的.txt文件中,然后您可以使用bash中的命令将pdf文件移动到相应的文件夹中.

一旦将它们放在自己的文件夹中,就可以在images_only文件夹中的pdf文件上运行批处理ocr解决方案.我还没有那么远(显然).

    import os, re

    #path is the directory with the files, other 2 are the names of the files you will store your lists in

    path = 'C:/folder_with_pdfs'
    files_with_text = open('files_with_text.txt', 'a')
    image_only_files = open('image_only_files.txt', 'a')


    #have os make a list of all files in that dir for a loop
    filelist = os.listdir(path)

    #compile regular expression that matches "Font"
    mysearch = re.compile(r'.*Font.*', re.DOTALL)

    #loop over all files in the directory, open them in binary ('rb'), search that binary for "Font"
    #if they have "Font" they have text, if not they don't
    #(pdf does something to understand the Font type and uses this word every time the pdf contains text)
    for pdf in filelist:
        openable_file = os.path.join(path, pdf)
        cat_file = open(openable_file, 'rb')
        usable_cat_file = cat_file.read()
        #print usable_cat_file
        if mysearch.match(usable_cat_file):
            files_with_text.write(pdf + '\n')
        else:
            image_only_files.write(pdf + '\n')

要移动文件,我在bash shell中输入了以下命令:

cat files_with_text.txt | while read i; do mv $i Volumes/hard_drive_name/new_destination_directory_name; done 

另外,我没有重新运行上面的python代码,我只是手工编辑了这个东西,所以它可能是bug,Idk.