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，我在其上运行OCR并向他们显示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（我已经创建了一个包含原始文件的存档以及我在这里生成的文件：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的结果很好，但生成的PDF的大小现在大约是2.5倍

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减少后尺寸的PDF尺寸：

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，所以大约是原来的1.5倍。我可以忍受这一点，但它似乎也影响了OCR结果。例如，“RESTAURANT”和“PIZZERIA”（第二行）之间的空白区域现在已丢失。

使用电子书参数的ghostscript的另一个（更简单的）选项会导致一个43k的文件，其中PDF质量较差，并且缺少相同的白色空间问题：

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

PDF的质量较差，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（甚至略有下降），结果PDF不小。例如，使用PNG：

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

缺少总数（55.50），最终PDF大小为149k。

总而言之，以下是我的问题：

有人可以解释为什么使用缩小PDF的大小 ghostscript影响OCR结果？我以为文字层和图像层是独立的......
是否有人可以提供的选项 tesseract在生成图像时降低图像的质量 PDF？
我读过像ABBYY OCR这样的其他解决方案使用Mixed Rasterized 内容（MRC）减少文件大小。 tesseract是否这样做已经？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？

再一次，我很好地妥协PDF图像的质量（尽管我想保留颜色，理想情况下），只要用户可以搜索文本并选择它来复制/粘贴PDF。

任何帮助都非常感谢！

Answer 1

问题1，我看不到任何文件附件＆＃39;对此，所以我在黑暗中猜测。

没有＆＃39;文字图层＆＃39;或者＆＃39;图像层＆＃39;在PDF中，PDF可能有层次但是它是独立的。文本和图像嵌入在文件中，原样是＆＃39;。当然，将PDF渲染为TIFF图像的结果确实产生了单个图像文件。

原始PDF将文本存储为文本，使用字体，TIFF文件将整批渲染为图像。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，但我希望它的作用是将渲染图像保留在输出PDF文件中，并使用渲染模式3添加文本（既不是中风也不是填充，即不可见）。这就是你所描述的＆＃39; MCR＆＃39;上方。

这对您来说意味着原始PDF很小，因为很多（可能全部）内容被描述为矢量数据。生成的TIFF文件很大，因为它是一个完整的页面位图，使用矢量表示所节省的成本已经丢失。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，仅会对该文件的大小产生重大影响的是减小位图图像的大小，即用于创建该位图的TIFF文件最终输出PDF。

在渲染到TIFF和OCR之前弄乱原始PDF文件似乎不太可能使与最终PDF文件大小有任何差异（警告;压缩可能会更好，因为可能有更多区域的＆＃ 39;平坦的颜色）

在没有看到原始文件和最终文件的情况下，我真的不能说更多，而且我自己无法测试它（我没有安装Tesseract）但是它在我看来，唯一真正的解决方案是让Tesseract在创建最终输出PDF文件之前对图像进行下采样。</ p>

Answer 2

由于您使用Tesseract 3.04，它支持您可能想要检查的各种压缩模式。

  --force-transcode=[true|false]
  --force-lossless=[true|false]
  --force-compression-algorithms=[dct|flate|g4|lzw|jpx|jbig2]

问题1285，1300。

Answer 3

首先，Tesseract是一个OCR引擎。您不能指望优化OCR以外的任何功能。它很好地进行OCR，而不是其他的东西。它确实做了其他的事情，例如，如果没有已经阈值处理（使用Otsu方法），它会为您提供的任何图像设置阈值，但是通过先自己对图像进行阈值处理然后将其传递给Tesseract，您会得到更好的结果，假设您对此有所了解你在给它什么。

这些都不是Tesseract问题。空白变化的原因是由于PDF查看器在字/行空间处猜测，因为它们没有被编码。如果文本相同且间距受到干扰，则完全是PDF查看器问题。它在PDF之间切换的原因是因为您正在更改分辨率/画布大小并且会干扰PDF查看器的单词/行间距计算。要进行比较，您可以查看Adobe Acrobat中任何页面的内容对象，它位于Preflight |下选项|浏览内部PDF结构。

我要问的第一个问题是为什么PDF中的图像会被修改？当然它们不应该是，它们应该与你开始时完全相同的图像，只是文本层（是文本层，它是文本，它在图像=文本层上分层）无形地插入到顶部。您可以使用“浏览内部PDF结构”（或记事本）来查看任何图像对象的大小，并查看它们是否大小相同。如果不是，您想要阻止它们被更改，或者您想要保存它们，然后在最终的PDF中替换它们。

否则，文本可能不会被压缩。 PDF支持Deflate。毫无疑问，Ghostscript或PDFTK中有一个设置来压缩所有内容对象。

您当然不必降低PDF中图像的质量。如果我是您的用户/客户之一，我认为我很高兴你给我的回复与我给你的不一样 - 这会使你的服务无用。

如何减小tesseract生成的PDF的大小？

3 个答案: