pdf - PDF 的批量 OCR 程序

Question

关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。












想改进这个问题？将问题更新为 on-topic对于堆栈溢出。

5年前关闭。




Improve this question




以前有人问过这个问题，但我真的不知道答案是否对我有帮助。这是我的问题:我有一堆(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(因此它们的文本是完美的，我不想冒险搞砸它们)。有些是扫描的图像(所以它们没有任何文字，我将不得不接受 OCR)。这些文件在同一个目录中，我不知道哪个是哪个。最终我想把它们变成 .txt 文件，然后对它们进行字符串处理。所以我想要尽可能准确的 OCR。

好像有人推荐过:

adobe pdf(我没有这个的许可副本，所以......加上如果 ABBYY Finereader 或其他更好的东西，如果我不使用它为什么要付费)

ocropus(我不知道怎么用这个东西)，

Tesseract(这在 1995 年看起来很棒，但我不确定是否有更准确的东西，而且它本身不做 pdf，我必须转换为 TIFF。这引发了它自己的问题，因为我没有acrobat 的许可副本，所以我不知道如何将 10,000 个文件转换为 tiff。另外，我不希望将 10,000 个 30 页文档变成 30,000 个单独的 tiff 图像)。

wowocr

pdftextstream(从 2009 年开始)

ABBYY FineReader(显然是它的 $$$，但如果这件事明显更好，即具有更准确的 ocr，我将花费 600 美元来完成这项工作)。

此外，我对编程不感兴趣，所以如果要花几周的时间来学习如何做某事，我宁愿支付 $$$。感谢输入/经验。

顺便说一句，我正在运行 Linux Mint 11 64 位和/或 Windows 7 64 位。

以下是其他线程:

Batch OCRing PDFs that haven't already been OCR'd

Open source OCR

PDF Text Extraction Approach Using OCR

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

Answer 1

只是为了纠正你的一些误解......

“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。”

您可以在 Free(如在 liberty 中)和免费(如在啤酒中)Ghostscript 的帮助下将 PDF 转换为 TIFF。如果您想在 Linux Mint 或 Windows 7 上执行此操作，您可以选择。Linux 的命令行是:

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

“我不希望将 10,000 个 30 页的文档变成 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 TIFF。如果您甚至想要单页 TIFF，您可以修改命令:

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

%03d输出文件名的一部分将自动转换为一系列 001 , 002 , 003等等

注意事项:

tiffg4 的默认分辨率输出设备为 204x196 dpi。您可能想要更好的值(value)。要获得 720 dpi，您应该添加 -r720x720到命令行。

此外，如果您的 Ghostscript 安装使用字母作为其默认媒体大小，您可能需要更改它。您可以使用 -gXxY以设备点为单位设置 widthxheight。因此，要获得 ISO A4 横向输出页面尺寸，您可以添加 -g8420x5950范围。

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

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