我正在尝试利用计算机视觉 API 对作为扫描文档但被视为图像 PDF 的 PDF 文件进行 OCR。
我已经对其进行了测试，它告诉我 PDF 是“InvalidImageFormat”、“输入数据不是有效图像”。当我在 PNG 上测试它时，它工作得很好。
是否有针对 PDF 图像使用 API，或者是否有 Azure API 可以结合使用来执行 PDF > PNG > Text？
【问题讨论】：
标签： pdf ocr microsoft-cognitive
编辑
由于回答了额外的服务，虽然我没有亲自尝试过其中一些，但它们可能适合这个目的。
https://docs.microsoft.com/en-us/azure/search/cognitive-search-concept-intro
在未来的某个时间点，当它进入 GA 时。 https://aws.amazon.com/textract/
原答案
不幸的是，Azure 的计算机视觉 API 没有 PDF 集成。要使用 Azure 计算机视觉，您需要自己将 pdf 更改为图像（JPG、PNG、BMP、GIF）。
Google 做现在提供 pdf 集成，到目前为止，我已经从测试中看到了一些非常好的结果。
这是通过视觉客户端的 asyncBatchAnnotateFiles 方法完成的（我一直在使用 API 的 NodeJS 变体）
它可以处理多达2000页的文件，结果分为20个页面段并输出到谷歌云存储。
【讨论】：
For PDF and TIFF files, up to 2000 pages (only first two pages for the free tier) are processed.docs.microsoft.com/en-us/azure/cognitive-services/…
Microsoft Azure 最近提供的最新 OCR 服务称为Recognize Text，其性能明显优于之前的OCR engine。识别文本现在可以与 Read 一起使用，它可以读取和数字化多达 200 页的 PDF 文档。
【讨论】：
有一个名为 Azure 表单识别器（目前为预览版 - 2019 年 11 月）的新认知服务 API，应该可以完成这项工作：
https://azure.microsoft.com/en-gb/services/cognitive-services/form-recognizer/
它可以处理你想要的文件格式：
格式必须是 JPG、PNG 或 PDF（文本或扫描）。嵌入文本的 PDF 最好，因为性格上没有错误的可能性 提取和定位。
https://docs.microsoft.com/en-us/azure/cognitive-services/form-recognizer/overview
这是官方表单识别器 API 文档的链接：
注意：
【讨论】：
抱歉，您必须将 PDF 页面分解为图像（JPG 和 PNG）。然后将图像发送到计算机视觉。将其分解也是一个好主意，这样您就不必对所有页面进行 OCR，只需对重要的页面进行 OCR。
【讨论】：
有一个新的读取 API 可以处理 PDF https://docs.microsoft.com/en-us/azure/cognitive-services/computer-vision/concept-recognizing-text
Computer Vision’s Read API is Microsoft’s latest OCR technology that extracts
printed text (seven languages), handwritten text (English only), digits, and
currency symbols from images and multi-page PDF documents.
它工作得很好，但还没有很多语言。
【讨论】：
您可以使用 fitz 将 pdf 转换为每个页面的图像。
# import packages
import fitz
import numpy as np
import cv2
#set path to pdf
path2doc = <path to pdf>
#open pdf with fitz
doc = fitz.open(path2doc)
# determine number of pages
pagecount = doc.pageCount
# loop over all pages and convert to image (here jpeg)
for i in range(pagecount):
page = doc[i]
pix = page.getPixmap().getImageData(output='JPEG')
jpg_as_np = np.frombuffer(pix, dtype=np.uint8)
image = cv2.imdecode(jpg_as_np, flags=1)
完成后，您可以将它们发送到 API
【讨论】：