如何将外部 OCR 嵌入现有 PDF？

Posted 2023-04-17

【中文标题】如何将外部 OCR 嵌入现有 PDF？

【英文标题】：How to embed external OCR into existing PDF?

【发布时间】：2010-12-02 03:34:18

【问题描述】：

我有一组图像，我在这些图像上运行 OCR 应用程序。此过程会生成一个带有字符偏移的 XML 文件。然后我使用 Acrobat 9 将图像转换为 PDF。现在，我想将 XML 文件信息作为不可见文本层添加到 PDF 中，以实现可搜索的 PDF。有没有简单免费的方法？

一些细节：

我不想使用 Acrobat 的 OCR 功能；

OCR 过程生成一个 XML 文件，其中包含以下元素：

<line baseline="1049" l="158" t="1012" r="1196" b="1060">This is a sample line of text from an image</line>

更新：也许可以用不同的方式做我想做的事。假设已经有一个从一组图像生成的 PDF 文件，并且其中已经包含 OCRed 文本。是否可以（可能以编程方式）仅访问每个页面的图像，对其进行处理（例如，将其转换为单色），并将其保存回 PDF 文件？如果是，则 OCRed 文本不会丢失。

[我应该将此更新放在一个单独的问题中吗？]

【问题讨论】：

你可能会发现hocr2pdf很有用

【参考方案1】：

关于在不丢失隐藏层的情况下处理 PDF 文件的后续问题：我相信 Ghostscript 能够做到这一点。例如，以下命令应将 PDF 转换为灰度：

gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -dColorConversionStrategy=/Gray -dProcessColorModel=/DeviceGray -sOutputFile=output.pdf input.pdf

【讨论】：

很好，它成功了。但是输出没有我想要的那么干净。如果 ImageMagick 可以在不丢失文本层的情况下转换 PDF，我想使用以下内容处理每个页面： convert \( -white-threshold 50% \) -monochrome ... 也许有一种方法可以告诉 IM 如何使用GS，就像 DaveParillo 说的。我稍后会检查。

【参考方案2】：

如果您只想将现有 pdf 转换为灰度，请尝试Imagemagick：

convert foo.pdf -colorspace Gray -compress zip gray.pdf

我认为这不会改变您 pdf 中的任何其他属性。

【讨论】：

这似乎没有保留 PDF 中的隐藏文本层。 （用 ImageMagick 6.4.5 试过。）

我也试过了，也丢了文字层。我也使用了 ImageMagick 6.4.5。