php - 检测上下颠倒的 pdf 页面

Question

我们使用 php、pypdfocr 和 pdftotext 进行 OCR，并从扫描或传真给我们的文档中提取文本。问题是当文档被扫描或传真时上下颠倒，或者如果某些页面打算横向阅读(因此文本在页面上旋转 90 度)

我尝试过的事情:

• 在 tessdata cp eng.traineddata osd.traineddata

为具有 90 度文本的页面生成的 OCR 文本层还不错，但是颠倒的页面，它对每个单词进行 OCR 并将其翻转到位，这样如果“这是一个测试”出现在文档中但是倒置然后文本层可能会显示为“test a is This”

如果有一种方法可以检测页面是否上下颠倒，我可以在通过 OCR 运行它之前使用 pdftk 旋转页面(或者如果它是 OCR，我可以删除文本层并通过使用pdftk旋转后再次OCR)

此时可以从 linux CLI 执行的任何解决方案都是可行的解决方案。

Answer 1

您可以使用 tesseract (>=3.03 ?) 轻松获取有关页面方向的信息。例如

$ tesseract image.png -  -psm 0

将产生这个输出

Orientation: 3
Orientation in degrees: 90
Orientation confidence: 25.40
Script: 1 
Script confidence: 18.40

根据此信息，您可以调整图像旋转。例如，如何在 python 中执行此操作可以是在脚本 Fix image rotation with tesseract .