Php 将PDF转换为PNG以便Tesseract处理

我现在对Imagemagick和Tesseract有意见

我正在为PHP中的文档开发一个命令行分类器。其思想是，它接收PDF文档，并使用。我认为必要的步骤如下：

将PDF转换为PNG文件

从PNG文件中提取文本

在机器学习库中运行文本以对其进行分类

其主命令如下所示：

<?php

namespace Matthewbdaly\LetterClassifier\Commands;

use Symfony\Component\Console\Command\Command;
use Symfony\Component\Console\Input\InputInterface;
use Symfony\Component\Console\Output\OutputInterface;
use Symfony\Component\Console\Input\InputArgument;
use League\Pipeline\Pipeline;
use Matthewbdaly\LetterClassifier\Stages\ConvertPdfToPng;
use Matthewbdaly\LetterClassifier\Stages\ReadFile;

class Processor extends Command
{
    protected function configure()
    {
        $this->setName('process')
            ->setDescription('Processes a file')
            ->setHelp('This command processes a file')
            ->addArgument('file', InputArgument::REQUIRED, 'File to process');
    }

    protected function execute(InputInterface $input, OutputInterface $output)
    {
        $file = $input->getArgument('file');
        $pipeline = (new Pipeline)
            ->pipe(new ConvertPdfToPng)
            ->pipe(new ReadFile);
        $pipeline->process($file);
    }
}

<?php

namespace Matthewbdaly\LetterClassifier\Stages;

use Imagick;

class ConvertPdfToPng
{
    public function __invoke($file)
    {
        $tmp = tmpfile();
        $uri = stream_get_meta_data($tmp)['uri'];
        $img = new Imagick($file);
        $img->setResolution(300, 300);
        $img->setImageDepth(8);
        $img->setImageFormat('png');
        $img->writeImage($uri);
        return $tmp;
    }
}

=> """
   Am sum\n
   \n
   mm“ m mun SuHrkw-l\n
   n m 51mm\n
   \n
   mm\n
   \n
   um um\n
   \n
   ms Murine\n
   1 Elm: 51mm\n
   Emnuumn\n
   \n
   a mu\n
   \n
   m Mm 2m-\n
   Dav st-n-m.\n
   \n
   P‘Eualanfl ma lumnflarvlmamrmy ”Hay ”mum-m-\n
   we we “mum-m n: "mum,“ m mun\n
   \n
   vm [harem\n
   \n
   Am smrm
   """

这不是我想要分类的信的内容——文本被弄乱了。如果我从shell中运行以下命令，它们将按预期工作，以转换字母的文本并将其写入输出文件：

convert -density 300 Quote.pdf output.png
tesseract output.png output

如果我在Tesseract阶段硬编码文件的路径，指向使用

convert

命令生成的

output.png

，那么就可以了。所以我很有信心，问题在于生成PNG文件的步骤。我没有使用Imagemagick的经验，所以我不确定为什么不能处理该文件，但似乎有一个我缺少的设置

---

有人能告诉我问题出在哪里吗？

我怀疑问题是Imagick在调用

setResolution（）之前读取了PDF

尝试实例化空的IMagick对象，设置解析，然后读取文件：

<?php

namespace Matthewbdaly\LetterClassifier\Stages;

use thiagoalessio\TesseractOCR\TesseractOCR;

class ReadFile
{

    public function __invoke($file)
    {
        $uri = stream_get_meta_data($file)['uri'];
        $ocr = new TesseractOCR($uri);
        $output = $ocr->lang('eng')->run();
        eval(\Psy\Sh());
    }
}

$img = new Imagick();
$img->setResolution(300, 300);
$img->readImage($file);

这正是问题所在——它现在正按预期工作。非常感谢。读取图像后调用
setResolution（）
有什么意义？为什么会导致问题？@MatthewDaly在加载输入图像后调用它，要么为输出图像设置所需的像素密度，要么什么都不做。我不确定。