批量 OCRing 尚未进行 OCR 处理的 PDF答案

【问题标题】：Batch OCRing PDFs that haven't already been OCR'd批量 OCRing 尚未进行 OCR 处理的 PDF
【发布时间】：2010-12-06 09:45:46
【问题描述】：

如果我有 10,000 个 PDF，其中一些已被 OCRed，其中一些有 1 页已被 OCRed，但其余页面没有，我如何才能浏览所有 PDF 并且只 OCR 没有的页面'还没有完成？

【问题讨论】：

您可能会发现this related question 很有帮助

标签： pdf ocr

【解决方案1】：

这正是我一直在寻找的，我有数千个扫描的 PDF 文件，其中一些已经过 OCR，而另一些则没有。

所以，我结合了我在论坛和 Stack Overflow 上找到的信息，并制作了自己的解决方案，完全可以做到这一点，我在这里为你总结了：

递归扫描所有子目录以查找 PDF 文件；
检查如果 PDF 已经过 OCR，如果没有，则使用您可以指定的语言使用高质量的 OCR 处理 PDF；
将 OCR PDF 就地保存为 PDF/A，并覆盖旧的（未经过 OCR 处理的）文件。

我在 Windows 10 上，找不到明确的答案。我尝试使用 Acrobat Pro 执行此操作，但这给了我很多错误，并且 Acrobat 的批处理会在每个错误或受密码保护的文件上停止。我还在 Windows 上尝试了许多其他批处理 OCR 工具，但没有一个效果很好。我花了无数个小时手动检查哪些文件已经在图像“下方”有一个文本层。

直到！ 微软宣布现在可以很容易地在 Windows 下，在同一台机器上，在同一文件系统上运行 Linux。 Linux 上可用的工具和实用程序比 Windows 多得多，所以我想我会尝试一下。

所以，这里，一步一步来：

在 Windows 控制面板中启用 适用于 Linux 的 Windows 子系统；有很多指南。去谷歌上查询。几分钟。
从 Windows 应用商店安装 Linux。打开 Windows 应用商店，搜索 Ubuntu，然后安装。大约需要 5 分钟。
现在您有了“Ubuntu 应用程序”。运行。它向您展示了 linux bash，以及通过 /mnt/c 对您的 Windows 文件进行文件访问。太神奇了！
您需要一些 Linux “应用程序”，即 pdffonts 和 ocrmypdf；您可以使用命令 sudo apt install pdffonts 和 sudo apt install ocrmypdf 进行安装。我们将使用这些应用程序检查 PDF 中是否有嵌入字体，如果没有，则对 PDF 进行 OCR。（见下面的注释）。
将非常小的 bash 脚本（如下）安装到您的主目录 ~.
转到 (cd) 保存所有 PDF 的目录。例如：/mnt/c/Users/name/OneDrive/Documents。
运行命令：find . -type f -name "*.pdf" -exec /your/homedir/pdf-ocr.sh '{}' \;

完成！

当然，运行此操作可能需要很长时间，具体取决于您拥有多少 PDF，以及其中有多少尚未 OCR。

这里是 sh 脚本。您应该将它保存在您的主文件夹中的某个位置，以便可以从任何地方轻松调用。像这样：

输入cd ~。这会将您带到您的主文件夹。
输入pico pdf-ocr.sh。这将弹出一个编辑器。粘贴以下脚本代码。然后按 Ctrl+X，再按 Y。您的文件现在已保存。
输入sudo chmod +x pdf-ocr.sh。这将授予脚本运行权限。

MYFONTS=$(pdffonts -l 5 "$1" | tail -n +3 | cut -d' ' -f1 | sort | uniq)
if [ "$MYFONTS" = '' ] || [ "$MYFONTS" = '[none]' ]; then
    echo "Not yet OCR'ed: $1 -------- Processing...."
        echo " "
        ocrmypdf -l eng+deu+nld -s "$1" "$1"
        echo " "
else
    echo "Already OCR'ed: $1"
echo " "
fi

这是做什么的？

好吧，find 命令会查找当前目录中的所有 PDF 文件，包括子目录。然后它将这些文件“发送”到脚本，pdffonts 检查是否有嵌入的字体。如果是这样，请跳过该文件并尝试下一个。如果未找到嵌入字体，请使用 ocrmypdf 进行 OCR 处理。我发现 ocrmypdf 的 OCR 质量非常好，甚至比 Acrobat 的还要好。您当然可以调整设置。例如，我可以想象您可能想要使用除eng+deu+nld 之外的其他语言进行 OCR。您可以在这里查看所有选项：https://ocrmypdf.readthedocs.io/en/latest/

注意：我在这里假设如果一个PDF文件有没有嵌入字体（所以它基本上是一个图像（扫描）在 PDF 文件中），它有没有 OCR'ed。我知道这可能并不总是准确和/或真实的，但对我来说，这足以确定哪些文件要通过 OCR。这样就不需要重新做成百上千的 PDF 文件了....

我知道在 Windows 下安装 Linux 有点麻烦，但如果你有基本的 Linux 技能，这很容易做到。对我来说，付出努力是值得的，因为我现在已经制作了可以工作的“一键式”批处理器。我找不到使用 Windows 工具的解决方案。

我希望有人发现这个并且觉得这个很有用。如果有人有改进，请在此处发布。

谢谢。

乔斯·琼克伦

【讨论】：

在我的情况下（windows 10，ubuntu 20.04）无法通过“sudo apt install pdffonts”安装pdfffonts。我必须通过“apt install poppler-utils”安装它

【解决方案2】：

为什么不对所有内容重新进行 OCR？您为重复工作所花费的时间可能超过了工作本身所花费的时间。

【讨论】：

【解决方案3】：

如果 OCRed 的意思是它们包含机器可读形式的文本，则可以使用 Apache PDFBox 之类的库来尝试从文档的第二页中提取文本。如果它抛出错误或返回垃圾，很可能不是 OCRed。

【讨论】：

【解决方案4】：

挖掘这个线程。

您可以通过使用 pdffonts 测试哪些 PDF 文件已经过 OCRed。如果有嵌入字体，很可能PDF已经是OCRed了。

关于批处理，我写了一个小脚本，可以将 OCR 批处理为 pdf/word/excel/csv 输出格式。

您可以在https://github.com/deajan/pmOCR 找到它 pmOCR（穷人的 OCR 是 Abbyy OCR CLI for linux 或 Tesseract 3 开源解决方案的封装）。

【讨论】：