65.9K
CodeProject 正在变化。 阅读更多。
Home

仅限 OCR 图像的 PDF 文件。

作者：gstolarov
starIconstarIconstarIconstarIconstarIcon

5.00/5 (2投票s)

2020 年 8 月 3 日

CPOL

4分钟阅读

viewsIcon

15444

downloadIcon

555

一个类库和命令行实用程序，用于向仅图像 PDF 文件添加 OCR 信息。

引言

早在 2009 年，我写了一篇关于如何索引仅限图像的 PDF 文件的文章。当时的任务只是从仅限图像的 PDF 文件中提取文本，放入 iFilter 中，这样文件就可以在 WIndows 环境中被索引。这一次，任务略有不同——为 PDF 文件添加文本信息。 这种方法的好处是文件可以被标准的 Adobe/Microsoft iFilter 索引，也可以使用可视工具（Adobe Reader、Chome、Edge，...）选择文本

背景

我需要为数千个 PDF 文件（实际上存储在 SQL 服务器中）添加 OCR 信息。我想创建一个脚本/实用程序，该脚本/实用程序可以每天执行以索引任何尚未包含可搜索文本的新 PDF 文件。 经过一番搜索，我找到了一个配方

  1. 使用 ghostscript 从 PDF 中提取单个页面到图像 (JPG) 文件
  2. 使用 Tesseract 从图像中提取 OCR
  3. 将提取的文本存储回 PDF

方案 1

显然，自从我上次在 2009 年接触 Tesseract 以来，他们添加了一个新功能：图像和 OCR 文本将导出为 PDF 文件。 我认为您需要 Tesseract 4+ 版本。 因此，解决方案似乎很简单，并且在接下来的 20 分钟内出现了以下批处理文件（参见附加项目中的 ocr.bat）

set gs="C:\Program Files\gs\gs9.52\bin\gswin64c.exe"
set tesseract="C:\Program Files\Tesseract-OCR\tesseract.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%\ocr\ocr_%nm%_%%04d.jpg" -f "%1"

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

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

goto :eof

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

正如您所看到的，该脚本执行以下操作

  1. 使用 GhostScript 将各个页面提取到 %temp%\ocr\####.jpg 文件中
  2. 对于每个 JPG 文件，运行 Tesseract 以创建 %temp%\ocr\####.pdf 文件
  3. 使用 ghost script 将所有 PDF 文件合并到输出文件中。

方案 1 问题

对于大型 PDF 文件（10+ 页），方案 1 的问题很快就出现了

  1. 它非常慢。 但我想，由于它只是作为后台进程运行于新文件，也许我可以接受这一点。
  2. 输出文件比源文件大得多，大约是 4 倍。乘以数千个文件——成为一个阻碍因素。

方案 2 - HOCR2PDF

其他人也有同样的问题。 输入 HOCR2PDF (https://archive.codeplex.com/?p=hocrtopdf)。 显然，除了将 OCR 输出为文本或 PDF 之外，Tesseract 还可以将结果输出为 HOCR 文件——有效地编码的 HTML 文件。 因此，任务略有变化

  1. 使用 GhostScript 将 PDF 文件拆分成多个 JPG
  2. 使用 tesseract 将 JPG 转换为 HOCR 文件
  3. 解析 HOCR 文件
  4. 使用 PDF 库 (iTextShart) 将文本信息添加到输出 PDF

方案 2 - 问题

好吧，HOCR2PDF 的问题与我的原始脚本类似。 它仍然很慢，文件仍然很大，尽管只有方案 #1 大小的一半。 

方案 3 - 最终方案

所以我继续创建了自己的项目。

经过一些故障排除和性能改进，例如启用压缩，对整个页面使用单一字体，我发现大小膨胀归结为单个 iTextShart 函数调用

stamp.GetImportedPage(stamp.Reader, pg)

单独的调用似乎每页增加了大约 30K。 并且需要它的唯一原因是获取页面高度。 替换这个调用后

stamp.Reader.GetPageSizeWithRotation(pg).Height

大小膨胀消失了，令我惊讶的是，输出文件实际上变得比源文件更小（可能是由于启用了压缩并删除了未使用的对象）。

为了解决性能问题，我决定使用 ThreadPool 并发地为每个页面运行 Tesseract。 对于大型（10+ 页）文件，性能提升非常显着。 

 

使用代码

该项目包含一个 PdfOcr 类，其中有一个公共方法 OcrFile。 使用方法如下

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

此代码将 OCR fileIn pdf 文件，创建 fileOut 并返回 OCR 文本。 可以通过更改/分配以下静态变量来定制该类

  1.         GhostScript - GhostScript 可执行文件的位置
  2.         Tesseract - Tesseract 可执行文件的位置。
  3.         wdiTemp - 将生成临时文件的文件夹
  4.         tmpPrfx - 所有临时文件的前缀

该类存储在 Program.cs 文件中，该文件以及主程序接受 2 个参数 - 源文件和目标文件名。                       

                

关注点

  1. https://github.com/UB-Mannheim/tesseract/wiki - TesserAct windows 二进制文件
  2. https://www.ghostscript.com/download/gsdnld.html - GhostScript 二进制文件下载。
  3. https://archive.codeplex.com/?p=hocrtopdf - HOCR2PDF .NET 实用程序

历史

  • 初始版本
  • 2023/8/17 - 使文本透明。 更新的 Zip 文件
© . All rights reserved.