从带有嵌入字体的 PDF 文件中提取文本

Question

我有一个包含一些表格数据的 PDF 文件。

http://dl.dropbox.com/u/44235928/sample_rotate-0.pdf

我必须从中提取表格数据。我尝试了以下但没有成功：

1. 选择文本并将其粘贴到记事本/Excel 工作表中。 （我收到垃圾字符）
2. 用于从 Acrobat Reader 中另存为文本。它还提供垃圾字符，而不是实际文本。
3. 尝试使用 ApachePDFBox 命令行实用程序从 PDF 中提取文本。它还提供垃圾字符而不是真实文本。
4. 最后我正在尝试 OCR 解决方案。我正在使用 ImageMagick 将 pdf 文件转换为 .tif 图像，并通过 tesseract OCR 处理这些图像。

OCR 解决方案虽然不是很准确（大约 80% 的单词匹配）。

我尝试更改从 PDF 创建的图像的密度和几何形状，以便从 tesseract OCR 获得更好的结果。

convert -rotate 90 -geometry 10000 -depth 8 -density 800 sample.pdf img_800_10000.tif;
tesseract img_800_10000.tif img_800_10000.tif nobatch letters;

我不确定哪种图像（密度、几何形状、单色、锐化边界等）最适合 OCR。

请建议从 PDF 文件生成图像的最佳参数（密度、几何形状、深度等），以便提高 tesseract 精度。

我也对其他（非 ocr）解决方案持开放态度。

Answer 1

在这种情况下，我建议不使用 ImageMagick 进行 PDF -> TIFF 转换。相反，请使用 Ghostscript。两个原因：

1. 直接使用 Ghostscript 可以让您更好地控制转换的各个参数。

2. ImageMagick 本身无法进行特定的转换 - 无论如何它都会调用 Ghostscript 作为其 'delegate'，但不允许您提供与您自己相同的细粒度控制Ghostscript 命令会给你。

您的示例 PDF 表格中的大部分文本都非常小（我猜，只有 4 或 5 pt 高）。这使得运行成功的 OCR 变得相当困难，除非您显着提高分辨率。

Ghostscript 默认使用-r72 进行图像格式输出（如TIFF）。 Tesseract 在 r=300 或 r=400 时效果最佳——但仅适用于 10-12 pt 或更高的字体大小。因此，为了补偿较小的文本大小，您应该在将 PDF 渲染到图像时使用至少 1200 DPI 的分辨率来制作 Ghostscript。

此外，您必须旋转图像，以便文本以正常的阅读方向显示（不是底部 -> 顶部）。

这是我首先要尝试的命令：

gs                              \
  -o sample.tif                 \
  -sDEVICE=tiffg4               \
  -r1200                        \
  -dAutoRotatePages=/PageByPage \
   sample_rotate-0.pdf

您可能需要使用 -r1200 参数的变体（更高或更低）以获得最佳效果。

Answer 2

由于有评论询问“如何在使用 Ghostscript 时定义图像的几何形状，就像我们在 convert 中所做的那样？”，这里有一个答案：

1. 同时为 Ghostscript 创建的光栅图像定义几何（即图像尺寸）和分辨率是没有意义的。 p>

2. 一旦您将基于 vector 的给定尺寸的页面（例如 PDF）转换为 raster 图像（例如 TIFF G4 格式），并给出所需的分辨率 (正如在另一个答案中所做的那样），您已经间接和隐含地也设置了维度：

   • 您的示例文件 sample_rotate-0.pdf 的原始 PDF 尺寸为 1008x612 points。
   • 分辨率为 72 DPI（如果未直接给出，则默认 Ghostscript 使用，或者如果直接给出，则在 Ghostscript 命令中使用 -r72），图像尺寸将为 1008x612 像素。
   • 分辨率为 720 DPI（Ghostscript 命令中的-r720）时，图像尺寸将为10080x6120 像素。
   • 分辨率为 1440 DPI（我的另一个答案的 Ghostscript 命令中的-r1440）图像尺寸将为20160x12240 像素。
   • 分辨率为 1200 DPI（Ghostscript 命令中的-r1200）时，图像尺寸将为16800x10200 像素。
   • 分辨率为 1000 DPI（Ghostscript 命令中的-r1000）时，图像尺寸将为14000x8500 像素。
   • 分辨率为 120 DPI（Ghostscript 命令中的-r120）时，图像尺寸将为1680x1020 像素。
   • 分辨率为 100 DPI（Ghostscript 命令中的-r100）时，图像尺寸将为1400x850 像素。

3. 如果您绝对坚持在 Ghostscript 命令行上指定输出图像的尺寸/几何形状（而不是分辨率），您可以通过在命令行中添加 -gNNNNxMMMM -dPDFFitPage 来实现。

   李>

Answer 3

在那里您可以找到文件的解码内容：https://docs.google.com/open?id=0B1YEM-11PerqSHpnb1RQcnJ4cFk

绝对确定 OCR 是阅读 pdf 文件的最佳方式，但您可以尝试对原生内容进行 REGEX 处理。这将是艰难而漫长的道路。