C# Tesseract ocr PDF作为输入

我正在构建一个OCR项目，并且我正在使用.Net包装器来实现它。包装器中的示例没有显示如何将PDF作为输入处理。使用PDF作为输入如何使用c#生成可搜索的PDF

• 我使用ghostscript库将Pdf更改为图像，然后将其提供给Tesseract，获取文本效果很好，但我没有保存Pdf的原始形状，只获取文本

如何保存原始Pdf的形状，从Pdf中获取文本

---

这是一个来自pdf的页面，我不希望只包含文本，我希望文本的形状与原始pdf一样，并且为糟糕的英语感到抱歉，Tesseract支持自3.0版以来创建三明治。但此功能建议使用3.02或3.03。 是一个脚本，它或多或少实现了您想要的功能

在线服务确实使用tesseract创建可搜索PDF。在开始使用tesseract实现解决方案之前，您可能需要运行一些测试。结果还可以，但是有一些商业产品可以提供更好的结果。

---

披露：我是。

的创建者，仅出于文档原因，这里有一个使用

tesseract

和

pdf2image

从pdf图像中提取文本的

OCR

示例

import pdf2image
try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract


def pdf_to_img(pdf_file):
    return pdf2image.convert_from_path(pdf_file)


def ocr_core(file):
    text = pytesseract.image_to_string(file)
    return text


def print_pages(pdf_file):
    images = pdf_to_img(pdf_file)
    for pg, img in enumerate(images):
        print(ocr_core(img))


print_pages('sample.pdf')

---

使用pdf2png.com，然后上传您的pdf，然后它将使每个页面的所有png文件成为

-.png

中的

.zip

文件

然后，您可以编写简单的python代码，如下所示

#/usr/bin/python3
#coding:utf-8
import os
pdf_name = 'pdf_name'
language = 'language of tesseract'
for x in range(int('number of pdf_pages')):
    cmd = f'tesseract {pdf_mame}-{x}.png {x} -l {language}'
    os.system(cmd)

---

然后，读取所有文件，例如从1.txt一直读到1.txt，然后附加到单个文件，就这么简单。

您需要一个库才能将PDF转换为

图像。然后使用同一个库创建可搜索的PDF。哪一个库最适合这份工作，你能给我提供一个示例来说明如何做到这一点。。我想保存原始pdf的形状，并在其下添加文本层@juharr删除不必要的信息，链接外部链接，并固定语法。这个问题需要“您尝试了什么”（就实际代码而言），否则它有被否决或关闭的风险。tobltobs感谢您的pdfsandwich支持windows，因为我正在windows 7 64位系统中使用visual studio 2010进行编码