pdf - 如何减小tesseract生成的PDF的大小？

Question

我的(网络)应用程序的设置如下:我获取用户上传的 PDF 文件，我对它们运行 OCR 并向他们展示 OCRed PDF。由于一切都在线，因此最小化生成的 PDF 文件的大小是减少用户加载和等待时间的关键。

我从用户那里收到的文件是 sample.pdf (我已经使用原始文件以及我在此处生成的文件创建了一个存档: https://dl.dropboxusercontent.com/u/1390155/tess-files/sample.zip )。我使用tesseract 3.04并执行以下操作:

gs -r300 -sDEVICE=tiff24nc -dBATCH -dNOPAUSE -sOutputFile=sample.tiff sample.pdf
tesseract sample.tiff sample-tess -l fra -psm 1 pdf

OCR 的结果不错，但是现在生成的 PDF 的大小是原来的 2.5 倍左右

原始pdf文件的大小:60k

最终 pdf 的大小:147K

所以我问你，如何在保持OCR结果的同时减小生成的PDF的大小？

一个明显的解决方案是在生成 tiff 时降低分辨率，但我不想这样做，因为它可能会影响 OCR 结果。

我尝试的第二件事是使用 ghostscript 减少超立方体后的 PDF 大小:

gs -o sample-down-300.pdf   -sDEVICE=pdfwrite   -dDownsampleColorImages=true \
   -dDownsampleGrayImages=true   -dDownsampleMonoImages=true  \
   -dColorImageResolution=300   -dGrayImageResolution=300  \
   -dMonoImageResolution=300   -dColorImageDownsampleThreshold=1.0  \
   -dGrayImageDownsampleThreshold=1.5   -dMonoImageDownsampleThreshold=1.0 \
    sample-tess.pdf 

这有点帮助，生成的文件只有 101K，大约是原始文件的 1.5 倍。我可以接受，但它似乎也会影响 OCR 结果。例如，现在缺少“RESTAURANT”和“PIZZERIA”(第二行)之间的空白。

另一个(更简单的)ghostscript 选项，使用 ebook 参数，导致 43k 文件在 PDF 中质量较差，并且出现同样的缺失空格问题:

gs -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -dPDFSETTINGS=/ebook \
    -dNOPAUSE -dBATCH  -dQUIET -sOutputFile=sample-ebook.pdf \
     sample-tess.pdf

质量较差的 PDF 很好，但同样，我真的不想在 OCR 上妥协。

我已经使用 PNG 和 JPEG 进行了其他测试，但 OCR 结果总是下降(甚至轻微)并且生成的 PDF 并不小。例如，对于 PNG:

convert -density 300 sample.pdf -transparent white sample.png
tesseract sample.png sample-tess-png -l fra -psm 1 pdf

总数 (55.50) 缺失，最终 PDF 大小为 149k。

总而言之，这里是我的问题:

有人可以解释为什么使用
ghostscript 会影响 OCR 结果吗？我认为文本层和
图像层是独立的...

是否有可供选择的选项
tesseract 在生成图像时降低图像质量
PDF？

我读到其他解决方案，如 ABBYY OCR 使用混合光栅化
减少文件大小的内容 (MRC)。 tesseract 会这样做吗
已经？如果没有，是否有一些开源或专有的 CLI 工具
这样做，我可以用它来减少tesseract生成的PDF
文件？

同样，我可以妥协 PDF 图像的质量(尽管我希望保留颜色，理想情况下)，只要用户可以搜索文本并选择它从 PDF 复制/粘贴。

非常感谢任何帮助!

Answer 1

问题 1，我看不到任何“附加”的文件，所以我在黑暗中猜测。

PDF 中没有“文本层”或“图像层”，PDF 可能有层，但它们是独立的。文本和图像“按原样”嵌入文件中。当然，将 PDF 渲染为 TIFF 图像的结果确实会生成单个图像文件。

原始 PDF 将文本存储为文本，使用字体，TIFF 文件将全部呈现为图像。我不确定 tesseract 究竟是如何工作的，如果没有它的输出示例，我无法确定，但我希望它所做的是在输出 PDF 文件中保持渲染图像完好无损，并使用渲染模式 3 添加文本(既不描边或填充，即不可见)。这就是您在上面描述的“MCR”。

这对您来说意味着原始 PDF 很小，因为大部分(可能是全部)内容都被描述为矢量数据。生成的 TIFF 文件很大，因为它是一个完整的页面位图，使用矢量表示获得的节省已经丢失。然后将其转换为 PDF(仍然很大)，然后将更多文本和字体添加到文档中，这当然只会增加其大小。

实际上，唯一会对该文件的大小产生重大影响的事情是减小位图图像的大小，即用于创建最终输出 PDF 的 TIFF 文件。

在渲染到 TIFF 和 OCR 之前弄乱原始 PDF 文件似乎不太可能对最终的 PDF 文件大小产生任何影响(警告；压缩可能效果更好，因为可能有更多的“平面”颜色区域)

没有看到原始文件和最终文件，我真的不能说更多，而且我无法自己测试它(我没有安装 Tesseract)但在我看来唯一真正的解决方案是在创建最终输出 PDF 文件之前让 Tesseract 对图像进行下采样。