如安在服务器端对PDF和图像举行OCR处置惩罚

先容

本日我想和各人分享一个我在研究技能资料时发现的很好玩的东西——Tesseract。这不但仅是一个平凡的库，而是一个用C语言编写的OCR神器，可以或许辨认一大堆差异国家的语言。我不停在探求可以或许处置惩罚各种文档的工具，而Tesseract就像是给了我一把万能钥匙。
偶然间我们手头会有一堆扫描的文件大概图片，内里有许多有用的信息，但是它们就是悄悄地躺在那里，不能复制粘贴，也不能搜刮。这让我特殊头疼。直到我发现了Tesseract，这个标题才迎刃而解。它不但可以或许辨认英文，还能搞定中文、日文、韩文等等，简直是多语言文档的救星。
我在这里不是要给各人上技能课，而是想分享一个我以为特殊故意思的案例。这个案例展示了怎样用Tesseract和其他几个开源工具，在服务器上把PDF文件和图片里的笔墨给“抠”出来。这个过程我以为既神奇又实用，我以为你们大概会感爱好。
接下来，我会一步步地带你们相识这个过程。我们将会用到Ghostscript、Tesseract和PDFtk这三个工具，搭建起一个完备的OCR流水线。
我信任，这个案例也可以给你带来一些关于开发上新的思绪和实用的小本事。
那么，我们就不多废话了，一起来探索OCR的奥秘吧！
预备工作

• 预备一台云服务器
  

若尚未拥有服务器，可前去 雨云官网 https://rainyun.ivwv.site 举行注册，新用户有专属优惠。
教程开始

第一步:安装 Ghostscript、Tesseract 和 PDFtk

OCR既能处置惩罚PDF文件（PDF文件里偶然也包罗图片），也能直接处置惩罚图片。处置惩罚PDF文件会多一些步调，如果你只处置惩罚图片，可以跳过这些步调。
我们必要三个工具：

• Ghostscript: 能把PDF转换成图片，也能把图片转换成PDF的工具。
  
• Tesseract: OCR引擎，能把图片里的笔墨辨认出来。
  
• PDFtk: 这个工具比力小巧，紧张用来把PDF文件拆分成单页，大概把单页重新组合成一个完备的PDF。
  

在Ubuntu体系上，安装这三个工具非常简朴，只必要在终端输入以下下令：

1. sudo apt update
2. sudo apt install pdftk ghostscript tesseract-ocr x11-utils

复制代码

安装完成后，可以用which下令查抄一下是否安装乐成：

1. which pdftk  
2. # /usr/bin/pdftk
3. which gs     
4. # /usr/bin/gs
5. which tesseract
6. # /usr/bin/tesseract

复制代码

接下来，我们就可以开始提取笔墨了！
第二步:将 PDF 转换为图片并运行 Tesseract

如果你没有PDF文件，可以下载我这个示例PDF文件先练练手，如果你有本身的PDF文件，可以更换反面内容中的文件名。

1. curl -L "https://paste.c-net.org/MckennaBuzzing" -o "OCR-sample-paper.pdf"

复制代码

如果你的文件是PDF，起首必要把它转换成图片。我们可以用 Ghostscript 来完成这个任务：

1. mkdir output  # 创建一个文件夹存放生成的图片
2. gs -o output/%05d.png -sDEVICE=png16m -r300 -dPDFFitPage=true OCR-sample-paper.pdf

复制代码

这段下令有点长，但别怕！我会表明这些参数:

• -o output/%05d.png表现把图片生存到output文件夹,%05d会主动给图片编号；
  
• -sDEVICE=png16m指定图片格式为PNG；
  
• -r300设置图片分辨率；
  
• -dPDFFitPage=true确保图片巨细符合。
  

运行后会输出一下信息，Ghostscript 将单独输出 PDF 中的每个页面：

完成后，你可以用ls output下令查察天生的图片。

此时看到 output 目次下有14张图片，如果你的情况中有Nodejs情况，可以使用以下下令，将当前路径设置为静态资源目次，我们来看看，这些 png 图片是什么：

1. npx http-server

复制代码

运行好后欣赏器打开网址,我这里是: http://you_server_ip:8080 并进入output目次

我点击打开 00003.png ，发现是一张图片，图片并不可以或许复制笔墨。
接下来，我们用Tesseract把图片转换成可复制笔墨的PDF:

1. for png in $(ls output); do
2.     tesseract -l eng \
3.         -c preserve_interword_spaces=0 \
4.         output/$png \
5.         output/$(echo $png | sed -e "s/\.png//g") \
6.         pdf
7. done

复制代码

这段下令有点复杂，但核心就是用Tesseract辨认图片里的笔墨，并天生PDF文件。-l eng表现使用英语语言模子，如果你必要辨认其他语言，必要安装对应的语言包。
Tesseract会逐页处置惩罚图片，完成后，你可以在output文件夹里看到天生的PDF文件。
继续列出 output 目次下的内容,会看到多了同名的 PDF 文件。

我们继续欣赏器查察这些文件，照旧打开00003.pdf：

发现这次就可以恣意复制了，而且辨认准确率照旧很高的。
   小提示: Ubuntu体系默认只安装了英语语言包，如果你必要辨认其他语言，必要安装对应的语言包，比方sudo apt install tesseract-ocr-all安装全部语言包。
  安装好后欣赏器打开 https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html 这个网址，可以找到对应的 LangCode ,如果你必要辨认中文，那么 -l 参数反面将 eng 修改为 chi_sim 即可。
  第三步:把单页PDF归并成一个

如果你处置惩罚的是PDF文件，现在必要把第二步天生的单页PDF文件归并成一个完备的PDF文件。我们可以用 **PDFtk **来完成这个任务：

1. pdftk output/*.pdf cat output joined.pdf

复制代码

这段下令很简朴，就是把output文件夹里的全部PDF文件归并成一个名为joined.pdf的文件。
末了，我们用 Ghostscript 调解一下PDF文件的格式，让它看起来更美丽：

1. gs -sDEVICE=pdfwrite -sPAPERSIZE=letter -dFIXEDMEDIA -dPDFFitPage -o final.pdf joined.pdf

复制代码

这段下令紧张用来调解PDF的尺寸和格式。-sPAPERSIZE=letter表现使用Letter纸张巨细，你可以根据必要修改。
现在，你已经乐成地完成了OCR！如果实际应用到开发中，你可以使用这一系列工具，主动化完成，而且使用pdftotext final.pdf下令把PDF文件转换成文本文件，可以开发一个知识库的全文检索，将原来内容为图片扫描件的PDF提取笔墨。
   干系链接
我的博客：https://blog.ivwv.site
雨云官网：https://rainyun.ivwv.site

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金