3

如果我有 10,000 个 PDF，其中一些已被 OCRed，其中一些有 1 页已被 OCRed，但其余页面没有，我如何才能浏览所有 PDF，而仅 OCR 尚未完成的页面完成了吗？

4

4 回答 4

6

这正是我一直在寻找的，我有数千个扫描的 PDF 文件，其中一些已经过 OCR，而另一些则没有。

因此，我结合了在论坛和 Stack Overflow 上找到的信息，并制作了自己的解决方案，完全可以做到这一点，我在这里为您总结了：

  • 递归扫描所有子目录以查找 PDF 文件；
  • 检查PDF是否已经过 OCR，如果没有，则使用您可以指定的语言使用高质量的 OCR 处理 PDF；
  • 将 OCR PDF原位保存为 PDF/A，并覆盖旧的（未 OCR 处理的）文件。

我在 Windows 10 上，找不到明确的答案。我尝试使用 Acrobat Pro 执行此操作，但这给了我很多错误，并且 Acrobat 的批处理会在每个错误或受密码保护的文件上停止。我还在 Windows 上尝试了许多其他批处理 OCR 工具，但没有一个效果很好。我花了无数个小时手动检查哪些文件已经在图像“下方”有一个文本层。

直到！微软宣布现在在 Windows 下、在同一台机器上、在同一文件系统上运行 Linux 非常容易。Linux 上可用的工具和实用程序比 Windows 多得多，所以我想我会尝试一下。

所以，这里是，一步一步：

  1. 在 Windows 控制面板中为 Linux启用Windows 子系统；有很多指南。去谷歌上查询。这是几分钟。
  2. 从 Windows 应用商店安装 Linux。打开 Windows 应用商店，搜索Ubuntu并安装。大约需要5分钟。
  3. 现在您有了“Ubuntu 应用程序”。运行。它向您展示了 linux bash，并通过/mnt/c访问您的 Windows 文件。这是魔法！
  4. 您需要一些 Linux “应用程序”，即pdffonts和ocrmypdf；您可以使用命令sudo apt install pdffonts和sudo apt install ocrmypdf进行安装。我们将使用这些应用程序检查 PDF 中是否有嵌入字体，如果没有，则对 PDF 进行 OCR。（见下面的注释）。
  5. 将非常小的 bash 脚本（如下）安装到您的主目录 ~。
  6. 转到 (cd) 保存所有 PDF 的目录。例如：/mnt/c/Users/name/OneDrive/Documents。
  7. 运行命令：find . -type f -name "*.pdf" -exec /your/homedir/pdf-ocr.sh '{}' \;

完毕！

当然，运行此程序可能需要很长时间，具体取决于您拥有多少 PDF，以及其中有多少尚未 OCR 处理。

这是 sh 脚本。您应该将它保存在您的主文件夹中的某个位置，以便可以从任何地方轻松调用。像这样：

  1. 类型cd ~。这会将您带到您的主文件夹。
  2. 类型pico pdf-ocr.sh。这将弹出一个编辑器。粘贴以下脚本代码。然后按 Ctrl+X，然后按 Y。您的文件现在已保存。
  3. 类型sudo chmod +x pdf-ocr.sh。这将授予脚本运行权限。
MYFONTS=$(pdffonts -l 5 "$1" | tail -n +3 | cut -d' ' -f1 | sort | uniq)
if [ "$MYFONTS" = '' ] || [ "$MYFONTS" = '[none]' ]; then
    echo "Not yet OCR'ed: $1 -------- Processing...."
        echo " "
        ocrmypdf -l eng+deu+nld -s "$1" "$1"
        echo " "
else
    echo "Already OCR'ed: $1"
echo " "
fi

这是做什么的？

好吧，该find命令会查找当前目录中的所有 PDF 文件，包括子目录。然后它将这些文件“发送”到脚本，在脚本中pdffonts检查是否有嵌入的字体。如果是这样，请跳过该文件并尝试下一个。如果未找到嵌入字体，请使用ocrmypdf进行 OCR-ing。我发现ocrmypdf的 OCR 质量非常好，甚至比 Acrobat 的还要好。您当然可以调整设置。例如，我可以想象您可能希望使用其他语言进行 OCR，而不是eng+deu+nld. 您可以在此处查找所有选项：https ://ocrmypdf.readthedocs.io/en/latest/

注意：我在这里假设如果PDF 文件没有嵌入字体（所以它基本上是 PDF 文件中的图像（扫描）），它没有OCR'ed。我知道这可能并不总是准确和/或真实的，但对我来说，这足以确定哪些文件要通过 OCR。这样就不需要重新做数百或数千个 PDF 文件....

我知道在 Windows 下安装 Linux 有点麻烦，但如果你有基本的 Linux 技能，这很容易做到。对我来说，付出努力是值得的，因为我现在已经制作了可以工作的“一键式”批处理器。我找不到使用 Windows 工具的解决方案。

我希望有人发现这个并觉得这很有用。如果有人有改进，请在此处发布。

谢谢。

乔斯·琼克伦

于 2019-05-07T22:26:39.593 回答
1

你为什么不重新 OCR 一切？你花在重复工作上的时间很可能超过了工作本身所花费的时间。

于 2009-10-13T17:18:37.483 回答
0

如果通过 OCRed 表示它们包含机器可读形式的文本，则可以使用 Apache PDFBox 之类的库来尝试从文档的第二页中提取文本。如果它抛出错误或返回垃圾，则很可能不是 OCRed。

于 2009-10-13T17:34:41.470 回答
0

解开这个线程。

您可以通过使用 pdffonts 测试来了解哪些 PDF 文件已经被 OCRed。如果有嵌入的字体，很可能 PDF 已经是 OCRed。

至于批处理，我写了一个小脚本，可以将 OCR 批处理为 pdf/word/excel/csv 输出格式。

您可以在https://github.com/deajan/pmOCR pmOCR 找到它（穷人的 OCR 是 Abbyy OCR CLI for linux 或 Tesseract 3 开源解决方案的包装器）。

于 2015-08-27T08:07:13.513 回答