我正在尝试将pdf转换为Flint water crisis emails from Gov. Snyder的文本。基本上他们有从Outlook打印的20k +页电子邮件，然后以.pdf的形式进行扫描。 （令人讨厌，我知道。）我尝试过各种各样的工具，比如Tesseract（直接和将.pdf转换成带有ImageMagik的.tif后），我得到了一堆gobbledeegook。
有没有人对如何处理这些文件有任何其他建议？我可以在Acrobat Reader中打开它们并复制出所有文本，但结果很差且格式不一致，因此编写一个脚本来清理它非常具有挑战性。
提前致谢！
答案 0 :(得分：1)
OCR的质量直接取决于图像质量，文档格式和布局，以及您正在使用的OCR技术的质量和正确配置。随着文档复杂性的增加，通常您将从免费OCR转向更强大的商业解决方案，以实现更高的OCR结果。如果您需要格式化保留，那么仅存在于少数商业OCR应用程序中。任何一个主要的OCR提供商都是您的答案。
考虑使用OCR-IT基于Web的API（www.ocr-it.com）进行此转换。 /市场上最高质量的OCR之一。我是该系统的原始开发人员之一，我们的目标是在市场上实现最高质量。
此外，如果这种转换是为了一个好的理由，为了人们的利益，一个非营利性组织，一个非商业项目，或者只是一个善意的个人项目，我的朋友和我想要帮助。我们自愿提供免费的大容量转换。我们贡献我们的技能和高质量的OCR软件，以换取非货币补偿，例如在您的项目中提及，与我们分享我们的圈子，宣传我们的善意等等。