Question

需要一种解决方案，将每个页面均为图像并且页面可以包含文本，表格或两者的组合的PDF文件转换为可搜索的pdf。

我使用的ABBY FineReader Online可以很好地完成这项工作，但是我正在寻找可以通过 Windows Python

实现的解决方案

我已经进行了详细的分析，下面是与我想要的内容接近但并不完全相同的链接：

告诉您使用Ghost脚本将其1st转换为图像，然后将其直接转换为文本。我认为tesseract无法将不可搜索的PDF转换为可搜索的PDF。

上述解决方案有助于逆向转换，即将可搜索的内容转换为不可搜索的内容。我也认为这些在Ubuntu / Linux / MacOS中是有效的。

有人可以帮助说明在 Windows Python 中实现不可搜索到可搜索的Python代码是什么吗？

更新1

我用Asprise Web Ocr获得了理想的结果。以下是链接和代码：

我正在寻找只能通过Windows Python库完成的解决方案

更新2

我知道将不可搜索的pdf直接转换为文本的解决方案。但是我正在寻找他们将不可搜索的PDF转换为可搜索的PDF的任何方法。我有使用PyPDF2将PDF转换为文本的代码。

Answer 1

那么您实际上并不需要将pdf内的所有内容都转换为文本。文本将保留为文本，表格将保留为表，如果可能，图像应成为文本。您需要一个脚本，该脚本实际上按原样读取pdf，然后开始在块上进行转换。该脚本将编写文本块，直到文档被完全阅读为止，然后将其转换为pdf。像

if line_is_text():
    write_the_line_as_is()
elif line_is_img():
    transform_img_in_text()# comments below code
...
..
.

现在transform_img_in_text()我认为可以使用许多外部库来完成，您可以使用的库可以是：

您可以通过pip下载此库，如上面链接中所述。

Answer 2

我过去曾经使用pypdfocr来做到这一点。但是，它最近尚未更新。

自述文件：

pypdfocr filename.pdf
--> filename_ocr.pdf will be generated

仔细阅读Windows的安装说明。

最新的Python库是OCRmyPDF：https://github.com/jbarlow83/OCRmyPDF有一个适用于Windows的Docker映像

Answer 3

如果您可以接受online ocr解决方案，那么OCR.space提供的免费OCR API也可以create searchable PDFs并且运行良好。

在免费版本中，创建的PDF包含水印。要删除水印，您需要升级到其商业PRO计划。您可以使用首页上的网络表单来测试api。

OCR.space也可以作为非订阅的本地选项使用，但是我不确定价格。我个人使用免费的ocr api取得了成功。

Answer 4

我最近写了一篇博客文章，其中我使用了以下内容：

您可能需要进行调整以满足您的需求，但是我相信本文中的构建基块可以适用于您的需求：