如何减小 tesseract 生成的 PDF 的大小？

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，对它们运行 OCR 并向他们展示 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（我创建了一个包含原始文件以及我在此处生成的文件的存档：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，但是生成的 PDF 的大小现在大约是原来的 2.5 倍

• 原始pdf文件大小：60k
• 最终 pdf 大小：147K

所以我问你，我怎样才能在保持 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 在 tesseract 后减小 PDF 大小：

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，大约是原来的1.5倍。我可以忍受，但它似乎也会影响 OCR 结果。例如，现在缺少“RESTAURANT”和“PIZZERIA”（第二行）之间的空白。

ghostscript 的另一个（更简单）选项，使用 ebook 参数，导致 PDF 中质量较低的 43k 文件和缺少空格的相同问题：

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

PDF 的质量稍差一点也不错，但我也不想在 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（即使是轻微的），并且生成的 PDF 也不小。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，这是我的问题：

• 有人能解释一下为什么要减小 PDF 的大小吗？ ghostscript 会影响 OCR 结果吗？我以为文本层和 图像层是独立的...
• 是否有可供选择的选项 tesseract 在生成 PDF？
• 我了解到 ABBYY OCR 等其他解决方案使用混合光栅化 内容 (MRC) 以减小文件大小。 tesseract 会这样做吗 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，只要用户可以搜索文本并选择它以从 PDF 中复制/粘贴，我就可以在 PDF 图像的质量上妥协（尽管我希望保留颜色，理想情况下）。

非常感谢任何帮助！

Answer 1

问题 1，我看不到任何“附加”到此的文件，所以我在黑暗中猜测。

PDF 中没有“文本层”或“图像层”，PDF 可能有层，但这是独立的。文本和图像“按原样”嵌入文件中。当然，将 PDF 渲染为 TIFF 图像的结果确实会生成单个图像文件。

原始 PDF 将使用字体将文本存储为文本，TIFF 文件会将整个文件呈现为图像。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在输出 PDF 文件中保持渲染图像完整，并使用渲染模式 3 添加文本（两者都不描边也不填充，即不可见）。这就是您在上面所说的“MCR”。

这对您来说意味着原始 PDF 很小，因为大部分（可能是全部）内容都被描述为矢量数据。生成的 TIFF 文件很大，因为它是一个完整的页面位图，使用矢量表示获得的节省已经丢失。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。

唯一会对该文件的大小产生重大影响，实际上，是减小位图图像的大小，即用于创建最终输出 PDF。

在渲染到 TIFF 和 OCR 之前弄乱原始 PDF 文件似乎不太可能对最终 PDF 文件大小产生任何差异（警告；压缩可能效果更好，因为可能有更多“平面”区域'颜色）

没有看到原始文件和最终文件，我真的不能说更多，而且我自己也无法测试它（我没有安装 Tesseract），但在我看来，唯一的真正的解决方案是在创建最终输出 PDF 文件之前让 Tesseract 对图像进行下采样。

Answer 2

首先，Tesseract 是一个 OCR 引擎。你不能指望它除了 OCR 之外的任何功能都会得到优化。它很好地完成了 OCR，而不是其他东西。它确实可以做其他事情，例如，如果您尚未对其进行阈值处理（使用 Otsu 方法），它会对您提供的任何图像进行阈值处理，但是您可以先自己对图像进行阈值处理，然后将其传递给 Tesseract，假设您有一个想法你给它的东西。

这都不是 Tesseract 问题。空格发生变化的原因是由于 PDF 查看器猜测字/行空格，因为这些没有被编码。如果文本相同并且间距受到干扰，则完全是 PDF 查看器问题。它在 PDF 之间发生变化的原因是因为您正在更改分辨率/画布大小，并且会干扰 PDF 查看器的字/行间距计算。要进行比较，您可以查看 Adob​​e 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要修改 PDF 中的图像？当然它们不应该是，它们应该与您开始使用的图像完全相同，只是将文本层（是的文本层，它是文本，它分层在图像 = 文本层上）在顶部不可见地插入。您可以使用“浏览内部 PDF 结构”（或记事本）查看任何图像对象的大小，看看它们是否相同。如果不是，您想阻止它们被更改，或者您想保存它们然后在最终的 PDF 中替换它们。

否则文本可能没有被压缩。 PDF 支持 Deflate。毫无疑问，Ghostscript 或 PDFTK 中有一个设置可以压缩所有内容对象。

您当然不必降低 PDF 中图像的质量。如果我是你的用户/客户之一，我认为你给我的和我给你的不一样我不会很高兴——那会让你的服务毫无用处。

Answer 3

由于您使用 Tesseract 3.04，它支持您可能想要查看的各种压缩模式。

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

问题1285，1300。