Question

如果我有10,000个PDF，其中一些已被OCR，其中一些有1页已被OCR，但其余页面没有，我怎么能浏览所有PDF并且只有OCR那些避开的页面还没完成？

Answer 1

这正是我想要的，我有成千上万个扫描的PDF文件，其中一些已经被OCR处理了，有些还没有。

因此，我结合了在论坛和堆栈溢出中找到的信息，并制定了自己的解决方案，完全做到了这一点，在此为您总结一下：

递归地扫描所有子目录以查找PDF文件；
检查是否已对PDF进行OCR，否则，请使用您可以指定的语言以高质量的OCR处理PDF。
将OCR PDF 保存为原位，作为PDF / A，并覆盖旧的（未进行OCR处理的）PDF。

我在Windows 10上，找不到确切的答案。我尝试使用Acrobat Pro进行此操作，但这给了我很多错误，并且Acrobat的批处理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，但都无法正常工作。我花了无数小时来手动检查哪些文件已经在图像“下方”具有文本层。

UNTIL！微软宣布，现在很容易在Windows下，同一台计算机上，同一文件系统上运行Linux。 Linux上有比Windows更多的工具和实用程序，所以我想尝试一下。

所以，就在这里，一步一步来：

启用 Linux的Windows子系统；有很多指南。谷歌一下。几分钟。
从Windows应用商店中安装Linux。打开Windows应用商店，搜索 Ubuntu ，然后安装。大约需要5分钟。
现在您有了“ Ubuntu应用程序”。运行。它显示了Linux bash，并通过 / mnt / c 对Windows文件进行了具有文件访问权限。太神奇了！
您需要一些Linux“应用”，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来检查PDF中是否有嵌入字体，如果没有，则对PDF进行OCR。（请参阅下面的注释）。
将非常小的bash脚本（如下）安装到主目录〜。
转到（cd）保存所有PDF的目录。例如：/mnt/c/Users/name/OneDrive/Documents。
运行命令：find . -type f -name "*.pdf" -exec /your/homedir/pdf-ocr.sh '{}' \;

完成！

根据您拥有的PDF数量以及尚未进行OCR处理的PDF，运行此过程当然会花费很长时间。

这是sh脚本。您应该将其保存在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：

键入cd ~。这会将您带到您的主文件夹。
键入pico pdf-ocr.sh。这将调出一个编辑器。粘贴以下脚本代码。然后按Ctrl + X，然后按Y。文件已保存。
键入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，find命令在当前目录中查找所有PDF文件，包括子目录。然后将这些文件“发送”到脚本，在脚本中pdffonts检查是否存在嵌入字体。如果是这样，请跳过该文件，然后尝试下一个。如果找不到嵌入字体，请使用ocrmypdf进行OCR编码。我发现 ocrmypdf 的OCR质量非常好，甚至比Acrobat还要好。您当然可以调整设置。例如，我可以想象您可能想使用eng+deu+nld以外的其他语言进行OCR。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（因此它基本上是图像（扫描））（在PDF文件中），它已未进行了OCR。我知道这可能并不总是准确和/或正确的，但是对我而言，这足以确定要通过OCR放入哪些文件。这样就不必重新生成成百上千个PDF文件。...

我知道在Windows下安装Linux会比较麻烦，但是如果您具有基本的Linux技能，那么这样做很容易。对我来说，这是值得的努力，因为我现在已经制造出了可以工作的“一键式”批处理机。我无法使用Windows工具找到解决方案。

我希望有人发现这一点并觉得有用。如果有人有改进，请在此处发布。

谢谢。

Jos Jonkeren

Answer 2

为什么不重新录制一切？你在重复工作上苦苦挣扎的时间可能超过了工作本身所花费的时间。

Answer 3

如果通过OCRed表示它们包含机器可读形式的文本，您可以使用像Apache PDFBox这样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，它很可能不会被OCR。

批量OCRing尚未进行OCR的PDF

3 个答案:

所以，就在这里，一步一步来：

完成！

这是做什么的？