以前曾经问过，但我真的不知道这些答案是否对我有帮助。这是我的问题：我得到了一堆（10,000左右）pdf文件。有些是使用adobe的打印功能保存的文本文件（所以他们的文本是完美的，我不想冒险搞砸它们）。有些是扫描图像（所以他们没有任何文字，我将不得不接受OCR）。文件在同一目录中，我无法分辨哪个是哪个。最终我想将它们转换为.txt文件，然后对它们进行字符串处理。所以我希望最准确的OCR成为可能。
似乎有人建议：
另外，我是编程的n00b，所以如果要花几周时间学习如何做某事，我宁愿支付$$$。感谢输入/体验。
顺便说一句，我正在运行Linux Mint 11 64位和/或Windows 7 64位。
以下是其他主题：
Batch OCRing PDFs that haven't already been OCR'd
PDF Text Extraction Approach Using OCR
https://superuser.com/questions/107678/batch-ocr-for-many-pdf-files-not-already-ocred
答案 0 :(得分：6)
只是把你的一些误解直接......
“我没有acrobat的许可副本，因此我不知道如何将10,000个文件转换为tiff。”
你可以在免费（如自由）和免费（如啤酒）Ghostscript的帮助下将PDF转换为TIFF。您可以选择在Linux Mint或Windows 7上执行此操作.Linux的命令行是：
gs \
-o input.tif \
-sDEVICE=tiffg4 \
input.pdf
“我不希望10,000个30页的文档变成30,000个单独的tiff图像”
您可以轻松拥有“多页”TIFF。上面的命令确实创建了 G4 （传真tiff）风格的这种TIFF。如果你甚至想要单页TIFF，你可以修改命令：
gs \
-o input_page_%03d.tif \
-sDEVICE=tiffg4 \
input.pdf
输出文件名的%03d部分会自动转换为一系列001，002，003等。
警告：
tiffg4输出设备的默认分辨率为204x196 dpi。你可能想要更好的价值。要获得720 dpi，您应该在命令行中添加-r720x720。 -gXxY在设备点中设置widthxheight。因此，要在横向中获取 ISO A4 输出页面尺寸，您可以添加-g8420x5950参数。因此，控制这两个参数的完整命令，以纵向方式在A4上产生720 dpi输出，将显示为：
gs \
-o input.tif \
-sDEVICE=tiffg4 \
-r720x720 \
-g5950x8420 \
input.pdf
答案 1 :(得分：5)
想通过回答我自己的问题，我会尝试做出贡献（为自己编写了一些很好的代码，如果没有这个板的帮助就无法完成它）。如果你在unix中使用pdf文件（好吧，对我来说是osx），那么有文本的pdf文件中会包含单词“Font”（作为字符串，但与其他文本混合在一起）b / c这是怎么回事文件告诉Adobe要显示的字体。
bash中的cat命令似乎与在python中以二进制模式读取文件的输出相同（在打开文件而不是'w'或'r'或'a'时使用'rb'模式）。所以我假设所有包含文本的pdf文件在二进制输出中都有“Font”字样，并且不会出现只有图像的文件。如果总是如此，则此代码将列出单个目录中包含文本的所有pdf文件以及仅包含图像的单独列表。它将每个列表保存到单独的.txt文件中，然后您可以使用bash中的命令将pdf文件移动到相应的文件夹中。
一旦将它们放在自己的文件夹中，就可以在images_only文件夹中的pdf文件上运行批处理ocr解决方案。我还没有那么远（显然）。
import os, re
#path is the directory with the files, other 2 are the names of the files you will store your lists in
path = 'C:/folder_with_pdfs'
files_with_text = open('files_with_text.txt', 'a')
image_only_files = open('image_only_files.txt', 'a')
#have os make a list of all files in that dir for a loop
filelist = os.listdir(path)
#compile regular expression that matches "Font"
mysearch = re.compile(r'.*Font.*', re.DOTALL)
#loop over all files in the directory, open them in binary ('rb'), search that binary for "Font"
#if they have "Font" they have text, if not they don't
#(pdf does something to understand the Font type and uses this word every time the pdf contains text)
for pdf in filelist:
openable_file = os.path.join(path, pdf)
cat_file = open(openable_file, 'rb')
usable_cat_file = cat_file.read()
#print usable_cat_file
if mysearch.match(usable_cat_file):
files_with_text.write(pdf + '\n')
else:
image_only_files.write(pdf + '\n')
要移动文件，我在bash shell中输入了这个命令：
cat files_with_text.txt | while read i; do mv $i Volumes/hard_drive_name/new_destination_directory_name; done
另外，我没有重新运行上面的python代码，我只是手工编辑了这个东西，所以它可能是错误的，Idk。
答案 2 :(得分：4)
这是一个有趣的问题。如果您愿意在.NET上使用Windows，可以使用dotImage（免责声明，我为Atalasoft工作并编写大部分OCR引擎代码）。让我们把问题分解成碎片 - 第一个是迭代你的所有PDF：
string[] candidatePDFs = Directory.GetFiles(sourceDirectory, "*.pdf");
PdfDecoder decoder = new PdfDecoder();
foreach (string path in candidatePDFs) {
using (FileStream stm = new FileStream(path, FileMode.Open)) {
if (decoder.IsValidFormat(stm)) {
ProcessPdf(path, stm);
}
}
}
这将获得以.pdf结尾的所有文件的列表，如果文件是有效的pdf，则调用例程来处理它：
public void ProcessPdf(string path, Stream stm)
{
using (Document doc = new Document(stm)) {
int i=0;
foreach (Page p in doc.Pages) {
if (p.SingleImageOnly) {
ProcessWithOcr(path, stm, i);
}
else {
ProcessWithTextExtract(path, stm, i);
}
i++;
}
}
}
这会将文件作为Document对象打开，并询问每个页面是否仅为图像。如果是这样，它将OCR页面，否则它将文本提取：
public void ProcessWithOcr(string path, Stream pdfStm, int page)
{
using (Stream textStream = GetTextStream(path, page)) {
PdfDecoder decoder = new PdfDecoder();
using (AtalaImage image = decoder.Read(pdfStm, page)) {
ImageCollection coll = new ImageCollection();
coll.Add(image);
ImageCollectionImageSource source = new ImageCollectionImageSource(coll);
OcrEngine engine = GetOcrEngine();
engine.Initialize();
engine.Translate(source, "text/plain", textStream);
engine.Shutdown();
}
}
}
这样做是将PDF页面光栅化为图像，并将其放入一个适合引擎的形式。翻译。这并不一定要以这种方式完成 - 可以通过调用Recognize从AtalaImage获取引擎中的OcrPage对象，但是然后由客户端代码循环结构并写出文本。
你会注意到我遗漏了GetOcrEngine（） - 我们提供4个OCR引擎供客户使用：Tesseract，GlyphReader，RecoStar和Iris。您可以选择最适合您需求的那个。
最后，您需要使用代码从已经包含完美文本的页面中提取文本：
public void ProcessWithTextExtract(string path, Stream pdfStream, int page)
{
using (Stream textStream = GetTextStream(path, page)) {
StreamWriter writer = new StreamWriter(textStream);
using (PdfTextDocument doc = new PdfTextDocument(pdfStream)) {
PdfTextPage page = doc.GetPage(i);
writer.Write(page.GetText(0, page.CharCount));
}
}
}
这将从给定页面中提取文本并将其写入输出流。
最后，您需要GetTextStream（）：
public Stream GetTextStream(string sourcePath, int pageNo)
{
string dir = Path.GetDirectoryName(sourcePath);
string fname = Path.GetFileNameWithoutExtension(sourcePath);
string finalPath = Path.Combine(dir, String.Format("{0}p{1}.txt", fname, pageNo));
return new FileStream(finalPath, FileMode.Create);
}
这是100％的解决方案吗？不，当然不是。您可以想象PDF页面包含一个单独的图像，并在其周围绘制一个框 - 这显然会使图像无法测试，但不会返回任何有用的文本。可能更好的方法是只使用提取的文本，如果没有返回任何内容，那么尝试使用OCR引擎。从一种方法转向另一种方法是写一个不同的谓词。
答案 3 :(得分：3)
最简单的方法是使用单一工具，如ABBYY FineReader，Omnipage等，一批处理图像，而不必将它们分类为扫描图像而非扫描图像。我相信FineReader无论如何都会在执行OCR之前将PDF转换为图像。
使用OCR引擎将为您提供诸如自动校正，页面方向检测，图像阈值处理，去斑点等功能。这些功能您必须购买图像处理库并自行编程，这可能很难找到10,000 PDF的最佳参数集。
使用自动OCR方法会产生其他副作用，具体取决于输入图像，如果您对图像进行排序并为每种类型的图像设置最佳参数，您会发现效果会更好。为了准确起见，使用适当的PDF文本提取例程来提取具有完美文本的PDF会更好。
在一天结束时，它将归结为时间和金钱与您所需结果的质量。在一天结束时，商业OCR计划将是最快捷，最简单的解决方案。如果你只有干净的文本文件，那么廉价的OCR程序将起作用，而且价格昂贵。您的文档越复杂，处理它们所需的资金就越多。
我会尝试找一些商业OCR引擎的演示/试用版本，看看它们在花费太多时间和金钱之前如何在不同的文档类型上执行。
答案 4 :(得分：0)
我为Abbyy OCR4LINUX CLI引擎编写了一个小包装器（恕我直言，费用不高）和Tesseract 3。
包装器可以批量转换文件，如：
$ pmocr.sh --batch --target=pdf --skip-txt-pdf /some/directory
该脚本使用pdffonts来确定PDF文件是否已被OCR以跳过它们。此外，该脚本可以作为系统服务来监视目录，并在文件进入目录后立即启动OCR操作。
脚本可以在这里找到：
https://github.com/deajan/pmOCR
希望这有助于某人。