我的Java项目处理OCRing pdf以对其进行索引。每个pdf页面都转换为png，然后通过管道传输到tesseract 4。
pdf-> png转换使用PDFBox PdfRenderer中的renderImageWithDPI：
buffImage = pdfRenderer.renderImageWithDPI（currentPage， PNG_DENSITY， ImageType.GRAY）；
根据tesseract的Wiki建议使用 PNG_DENSITY = 300获得最佳效果。
OCR命令是
用于tesseract的命令是
tesseract input.png output -l fra --psm 1 --oem 1
我也尝试过--psm 2 or 3，它也涉及页面分割，即
1使用OSD自动进行页面细分。
2自动页面分割，但没有OSD或OCR。
3全自动页面分割，但没有OSD。 （默认）
使用146页的扫描PDF（生产者/创建者是Adobe Acrobat 7.0，其中涉及受版权保护的内容，所以我不能共享它），tesseract在给定的页面上进行了无休止的计算（该过程永无止境）（85）。
由于测试时间太长（即：等到第85页获得OCRed），我决定使用Evince的“打印到文件”功能生成此pdf的摘录。
现在，由Evince制作的pdf文件（制作人/创建者是cairo 1.14.8），Tesseract已成功处理（即图像获得OCRed）。
不同之处在于图像分辨率。失败的图像为4991x3508像素，而成功的图像仅为3507x2480像素。
请注意：尽管无法理解文本（两列混合），但“使用OSD稀疏文本”（即--psm 12）中的tesseract处理页面“成功”。 / em>
经过多次尝试和错误编辑 看起来输入图像的宽度必须严格小于4000像素，才能进行页面细分。查看Tesseract源代码，在一个名为“ pgedit”的类中，画布大小似乎限制为4000 x 4000，因为“ ScrollView”的构造函数（无论它服务什么）是：
ScrollView::ScrollView(const char* name, int x_pos, int y_pos, int x_size,
int y_size, int x_canvas_size, int y_canvas_size, bool y_axis_reversed)
所以我现在的问题是，为什么要使用页面分割的宽度上限为4000像素，如果将以300dpi转换为png的pdf页面超过4000像素（宽或高或两者兼有），我该怎么办？ ？
任何帮助表示赞赏，