在 Windows Python 中将不可搜索的 Pdf 转换为可搜索的 Pdf

Question

需要一种解决方案来将 PDF 文件转换为可搜索的 pdf，其中每个页面都是图像并且页面可以包含文本、表格或两者的组合。

我使用过 ABBY FineReader Online，它做得非常好，但我正在寻找可以通过 Windows Python

实现的解决方案

我已经做了详细的分析，下面是接近我想要但不完全的链接：

Scanned Image/PDF to Searchable Image/PDF

告诉使用 Ghost 脚本首先将其转换为图像，然后直接转换为文本。我不相信 tesseract 将不可搜索的 PDF 转换为可搜索的 PDF。

Converting searchable PDF to a non-searchable PDF

上述解决方案有助于反向，即将可搜索转换为不可搜索。我也认为这些在 Ubuntu/Linux/MacOS 中是有效的。

有人可以帮忙告诉在 Windows Python 中实现不可搜索到可搜索的 Python 代码应该是什么？

---

更新 1

我已经通过 Asprise Web Ocr 获得了想要的结果。下面是链接和代码：

https://asprise.com/royalty-free-library/python-ocr-api-overview.html

我正在寻找只能通过 Windows Python 库完成的解决方案

1. 以后无需支付订阅费用
2. 我每天需要转换数千个文档，将一个上传到 API 然后下载等等会很麻烦。

更新 2

我知道将不可搜索的 pdf 直接转换为文本的解决方案。但我正在寻找他们将不可搜索的PDF转换为可搜索的PDF的任何方式。我有使用 PyPDF2 将 PDF 转换为文本的代码。

Answer 1

好吧，您实际上并不需要将 pdf 中的所有内容都转换为文本。文本将保留为文本，表格将保留为表格，如果可能，图像应变为文本。 您将需要一个脚本，该脚本实际上按原样读取 pdf，并开始对块进行转换。该脚本将写入文本块，直到文档被完全阅读，然后将其转换为 pdf。类似的东西

if line_is_text():
    write_the_line_as_is()
elif line_is_img():
    transform_img_in_text()# comments below code
...
..
.

现在transform_img_in_text() 我认为可以使用许多外部库来完成，您可以使用的一个可能是：

Tesseract OCR Python

您可以通过pip 下载此库，上面链接中提供了说明。

Answer 2

我过去曾使用pypdfocr 来执行此操作。不过最近没更新。

来自自述文件：

pypdfocr filename.pdf
--> filename_ocr.pdf will be generated

仔细阅读 Windows 的安装说明。

一个更新的 Python 库是 OCRmyPDF：https://github.com/jbarlow83/OCRmyPDF 有一个适用于 Windows 的 Docker 映像

Answer 3

我最近写了一篇博客文章，我使用以下方法完成了这项工作：

• OCRmyPDF - 一个包装 Tesseract 的 python 库
• 在 Azure 中运行的 docker 容器

您可能需要调整一些东西以满足您的需求，但我相信这篇文章中的构建块可以满足您的需求：

http://martyice.github.io/docker-in-azure/