仅限OCR图像的PDF文件。

• 下载ocr.zip - 2.2 MB

介绍 早在2009年，我就写过一篇关于如何索引只支持图像的PDF文件的文章。当时的任务只是从iFilter中仅包含图像的PDF文件中提取文本，以便在WIndows环境中对这些文件进行索引。这次任务有些不同——向PDF文件中添加文本信息。这种方法的好处是，文件可以通过标准的Adobe/Microsoft iFilters进行索引，但文本也可以通过可视化工具(Adobe Reader、Chome、Edge等)进行选择。 背景 我需要添加OCR信息到数千个PDF文件(存储在SQL服务器中)。我想创建一个脚本/实用程序，可以执行每天索引任何新的PDF文件，不包含可搜索文本。搜索了一段时间后，我找到了一个食谱: 使用ghostscript提取个别页面从PDF到图像(JPG)文件使用Tesseract提取OCR从图像存储提取的文本回PDF 用1 显然，自从我在2009年最后一次使用Tesseract以来，他们增加了一个新功能:图像和OCR文本将被导出为PDF文件。我认为你需要Tesseract版本4+。所以解决方案看起来很简单，接下来的批处理文件出现在20分钟内(见附件项目中的ocrate .bat): 隐藏,收缩,复制Code

set gs="C:Program Filesgsgs9.52ingswin64c.exe"
set tesseract="Program FilesTesseract-OCR	esseract.exe"

if '%1'=='' goto :badParams
if '%2'=='' goto :badParams
mkdir %temp%ocr
set nm=%~n1
SETLOCAL ENABLEDELAYEDEXPANSION 

rem split pdf into multiple jpeg
%gs% -dSAFER -dBATCH -dNOPAUSE -sDEVICE=jpeg -r300 -dTextAlphaBits=4 -o "%temp%ocrocr_%nm%_%%04d.jpg" -f "%1"

rem ocr each jpeg
for %%i in (%temp%ocrocr_%nm%_*.jpg) do %tesseract% -l eng "%%i" %%~pni pdf
del %temp%ocrocr_%nm%_*.jpg

rem combine pdfs
set ff=#
for %%i in (%temp%ocrocr_%nm%_*.pdf) do set ff=!ff! %%i
set ff=%ff:#=%
%gs% -dNOPAUSE -dQUIET -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -o "%2" %ff%
del %temp%ocrocr_%nm%_*.pdf

goto :eof

:badParams
echo usage %0 pdf-In pdf-Out

如您所见，该脚本执行如下操作 使用GhostScript将单个页面提取到%temp%ocr####. JPG文件中，为每个JPG文件运行Tesseract创建一个%temp%ocr####. PDF文件使用ghost script将所有PDF文件合并到输出文件中。 1的问题 很快，解决方案1的问题出现在大型PDF文件(10+页)上。 非常慢。但我想，既然它是作为后台进程运行，只对新文件，也许我可以接受这个。输出文件要比源文件大很多很多很多倍。成千上万的文件-成为了节目的终结者。 采取2 - HOCR2PDF 其他人也有同样的问题。进入HOCR2PDF (https://archive.codeplex.com/?p=hocrtopdf)。显然，Tesseract除了输出文本或PDF格式的OCR外，还可以输出HOCR文件——有效编码的HTML文件。所以任务稍微改变了一下 使用GhostScript将PDF文件拆分为多个JPGs使用tesseract将JPGs转换为HOCR文件解析HOCR文件使用PDF库(iTextShart)添加文本信息到输出的PDF Take 2 -问题 嗯，HOCR2PDF和我原来的脚本有类似的问题。它仍然很慢，文件仍然很大，尽管只有解决方案1的一半大小。 选3 -期末考试 所以我继续创建了我自己的项目。 在进行了一些故障排除和性能改进(比如启用压缩、为整个页面使用单一字体)之后，我发现大小膨胀归结为一次iTextShart函数调用 隐藏,复制Code

stamp.GetImportedPage(stamp.Reader, pg)

单是这通电话，每页就增加了3万美元。唯一需要它的原因是为了获得页面高度。将此调用替换为 隐藏,复制Code

stamp.Reader.GetPageSizeWithRotation(pg).Height

尺寸膨胀消失了，令我惊讶的是，输出文件实际上比源文件更小(可能是由于启用了压缩和删除未使用的对象)。 为了解决性能问题，我决定使用ThreadPool对每个页面并发运行Tesseract。对于较大(10+页)的文件，性能的提升是非常显著的。 , 使用的代码 该项目包含一个带有公共方法OcrFile的PdfOcr类。用法如下: 隐藏,复制Code

string txt = new PdfOcr().OcrFile(fileIn, fileOut);

这段代码将对fileIn pdf文件进行OCR，创建fileOut并返回OCR文本。该类可能需要通过改变/分配以下静态变量来定制: ,,,,GhostScript - GhostScript可执行文件的位置,,,Tesseract可执行文件的位置。,,,,将生成临时文件的文件夹。,,,tmpPrfx -所有临时文件的前缀 类和主程序一起存储在program .cs文件中，主程序有两个参数——源文件名和目标文件名。,,,,,,,,,,, ,,,,,,,,, 的兴趣点 https://github.com/UB-Mannheim/tesseract/wiki https://www.ghostscript.com/download/gsdnld.html  - GhostScript二进制文件下载。https://archive.codeplex.com/?p=hocrtopdf - HOCR2PDF .NET实用程序 历史 最初版本 本文转载于：http://www.diyabc.com/frontweb/news1636.html