我见过一些pdf文件后，OCR有非常准确的文本(无论是在识别率，在文本对齐图像)。
如果pdf文件中隐藏的文本层是否来自OCR，那么Unix/Linux工具会帮助我知道什么呢？
浏览 0提问于2014-12-07得票数 2
1回答
假设我已经在Abbyy FindeReader中对多个PDF进行了光学字符识别。是否可以稍后在Abbyy FineReader中重新加载光学字符识别结果，以便纠正光学字符识别错误？ 我的想法是，我希望将执行OCR和(稍后)更正OCR结果分开
浏览 36提问于2020-10-09得票数 0
回答已采纳
我正在做一些OCRing PDF的工作，我很好奇是否有一种方法可以检查一个PDF是否已经从Word (或Google Docs)导出。我可以检查PDF是否已经用Xpdf的pdffonts进行了OCR。我知道Word和Google Docs会自动OCR导出的PDF，所以如果我发现PDF没有OCR，我就知道它没有导出。但是，如果它已经光学字符识别，有没有办法检查的PDF是否从Word/Google Docs导出，而不是简单的OCRd与类似的程序？具体地说，我使用的是JavaScript，但任何信息都是有用的。
浏览 2提问于2013-06-14得票数 0
我试图在Tesseract OCR中将Image转换成文本PDF。在中间，我需要检查封面页，并从结果中删除。在Tessaract OCR中是否可以根据封面的特定属性(封面文本匹配)来识别封面。或者，我是否需要获取tessetact OCR结果的全部输出，并提供我的逻辑来扫描PDF和删除封面页。我非常困惑，任何帮助都将不胜感激。
浏览 1提问于2018-09-20得票数 0
回答已采纳
1回答
有没有人有经验，如何OCR几个图像，并创建一个输出PDF文件与识别的文本在C#中的Nicomsoft OCR？看起来它可以做到，但是我的C#代码由于某些原因没有生成任何PDF：
NSOCRLib.NSOCRClass NsOCR = new NSOCRLib.NSOCRClass();
NsOCR.Engine_InitializeAdvanced(out CfgObj, out OcrObj, out ImgObj);
for (i = 0; i < ImageCnt; i++)
{
NsOCR.Img_LoadFile(ImgObj, ImageFiles[i]);
N
浏览 13提问于2015-04-28得票数 1
回答已采纳
我正在寻找布局分析库或工具(最好是开源的)，可以应用于文本PDF，以识别主要文本内容与侧栏，章节标题，章节标题(甚至可能是具有装饰/阴影和下划线的花哨的标题)等。我遇到了像OCRopus这样的工具，它们使用光学字符识别和图像识别来识别布局。有没有库可以在没有OCR的情况下做同样的事情？可以从文本PDF中提取文本和图像，并将包含文本和图像位置的输入提供给该工具；对于此类文件使用OCR将是相当繁琐的。
浏览 2提问于2013-05-08得票数 2
回答已采纳
我正在试着写一个只能被人读懂的文档。无法复制文档内容。为此，我将其页面转换为图片，并将其添加回PDF文件。主要的问题是，任何OCR程序都可以恢复整个书面文本，特别是页面将是清晰的(而不是扫描的书)，这将提高OCR的准确性。
那么，有没有OCR无法识别的字体呢？否则，有没有一种技术可以让我的文档只被人类阅读，而不被OCR识别？(例如，添加特定的背景，等等)
提前谢谢你。
浏览 3提问于2012-11-13得票数 4
回答已采纳
我已经获得了以下用于将pdf文件上传到google docs的实现(取自gdata API示例)：
def UploadResourceSample():
"""Upload a document, and convert to Google Docs."""
client = CreateClient()
doc = gdata.docs.data.Resource(type='document', title='My Sample Doc')
# This is a convenient MS
浏览 0提问于2011-12-31得票数 2
回答已采纳
1回答
我有PDF文件已经被“识别”使用OCR文本识别->识别文本使用功能在Acrobat。
我想把这些作为一个上传(C# ASP.NET MVC)，并能够提取这些信息用于索引和搜索目的。
我尝试打开PDF文件，但没有找到任何被识别的文本，所以我猜它是压缩和/或编码的。
有什么想法吗？
浏览 0提问于2010-06-25得票数 0
回答已采纳
1回答
是否有任何Python方法来识别PDF是否是OCR的(文本的质量很差)和可搜索的PDF (文本的质量是完美的)？
使用pdf元数据
import pprint
import PyPDF2
def get_doc_info(path):
pp = pprint.PrettyPrinter(indent =4)
pdf_file = PyPDF2.PdfFileReader(path, 'rb')
doc_info = pdf_file.getDocumentInfo()
pp.pprint(doc_info)
我发现：
result = get
浏览 6提问于2021-09-16得票数 0
回答已采纳
我有下面的代码，它适用于大多数图像类型。但由于某些原因，它不适用于只包含1页和pdf的tiff图像。 我有这个错误： 回溯(最近一次调用)：文件"/Users/fatiatravaille/Downloads/ocr_json/test.py"，第8行，在"/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/PIL/Image.py"，= Image.open(r './radio_lomb_300.tiff‘)文件UnidentifiedImage
浏览 170提问于2021-09-23得票数 0
我有几个低质量的pdf。我想使用OCR --更准确地说，是用从他们那里获取文本。为此，我使用了first --一个将pdf转换为图像的命令行工具--将这些pdf转换为jpg或png。
然而，ImageMagick生成的图像质量非常低，Ocropus几乎无法识别任何内容。我想了解处理低质量pdf的最佳参数是什么，以便为OCR提供尽可能好的质量图像。
我已经找到了，但是我不知道从哪里开始。
浏览 0提问于2010-09-01得票数 9
回答已采纳
1回答
是否可以编辑在C#中不可填充的PDF格式
详情：
现有的PDF包含图像、数据和文本填充的表格。
已经尝试过itextsharp，但是无法识别任何AcroFields来操作数据。
当尝试使用Nitro PDF进行OCR时，got错误: OCR无法完成，因为此页面包含可编辑/可搜索的内容
..。这是来自ASPOSE文本替换的输出。试图用替换为 Word
所需经费：
必须编辑以编程方式填写的表格中的文本和数据，并保存它。
浏览 6提问于2012-06-28得票数 1
OCR 是实时高效的定位与识别图片中的所有文字信息，返回文字框位置与文字内容。支持多场景、任意版面下整图文字的识别，以及中英文、字母、数字的识别。简单来说就是将图片上的文字内容，智能识别成为可编辑的文本，这么强大的功能在我们生活当中有哪些应用呢？
浏览 3631提问于2018-08-24
1回答
我需要从S3中的PDF和图像文件中获取OCR (光学字符识别)数据，以便用户可以对这些OCR数据执行搜索。我正在使用AWS提取的文本提取来获取OCR数据。
我计划将OCR数据存储在Dynamo中，并在其中执行搜索查询。
我所面临的问题是因为发电机db项的大小限制，限制在400 db以内。
在我的情况下，用户上传100+ MB PDF文件在S3中，提取的文本内容将超过这一限制。那么，在这种情况下，最好的方法是什么。
请提前帮忙谢谢！
浏览 1提问于2020-04-06得票数 1
回答已采纳
我想使用命令行，以执行许可的adobe acrobat 8来识别OCR文本已经扫描的pdf文件，并使其完全可搜索的pdf？
你知道什么是命令行开关，参数吗？
提前感谢！
浏览 3提问于2010-04-09得票数 0
我一直在尝试从扫描的pdf文档中提取数据。我已经将pdf文件转换为jpeg文件(我在下面附上了图像链接)，裁剪具有不同字体的单词和数字，合并为tiff文件，并使用jTessBoxEditor训练字体生成新的语言，我使用该语言在Tesseract-OCR中提取文件中的数据。但我无法提取准确的数据。tesseract-ocr的文本识别准确率很低。
有没有人能提出一个提高准确率的方法？
浏览 21提问于2020-08-31得票数 1
是否有库(或可执行文件)可以OCR PDF (通常是通过扫描纸张创建的PDF )，并将识别出的文本重新注入到PDF中？很可能是扫描图像背后的隐形文字。
最好是开源的。
(目标:我有一个巨大的由Lucene索引的PDF文件库。如果PDF包含文本，Lucene将更容易找到哪些PDF是相关的。)
浏览 3提问于2011-02-28得票数 2
2回答
在我们的项目中，我们有测试PDF文件数据的要求。但PDF文件中的数据很少是图像格式的，因此我们不能将相同的逻辑应用于PDF上的文本比较。我们正面临着验证PDF文件上的图像文本的问题。有没有什么API可以让我们识别OCR，并从图像中提取文本并进行比较。
浏览 0提问于2016-05-31得票数 0
我试图从PDF中给定的两个坐标指定的特定矩形区域中提取数据。是否可以在PDF中执行此操作，或者我是否必须将其转换为图像并使用OCR？如果有，PDFBox或iText是否包含通过光学字符识别来分析图像的方法？谢谢!
浏览 26提问于2017-12-26得票数 3
回答已采纳
1回答
我有很多pdf文档，它们都是扫描过的文字版本。我需要在pdf中拆分一个页面。 例如，如果有1个页面。我需要将一页分成页眉部分，页脚部分，主体部分和侧面部分。 哪种编程语言和库给了我最大的灵活性来完成这样的任务，而不需要我做所有繁琐的工作。我对Python很熟悉。我知道Python的PDF和OCR库，但我找不到任何关于拆分单个页面的内容。 然后，最后希望将pdf页面的拆分部分传递给OCR，以识别字符并将输出转换为csv或文本文件。 提前感谢您……
浏览 18提问于2021-04-20得票数 0
回答已采纳
下午好，我在我的项目中有一个问题，这是PDF压缩，过程如下:提取图像从一个PDF Hang OCR压缩股票OCR +合并图像和转换PDF每页结合所有生成的pdf格式与光学字符识别，光学字符识别PDFcon作为最终产品之一。我的原始文件大小为11MB，压缩后为4.2MB。整个过程运行得很完美，但我遇到的问题是OCR过程的速度。我在网上查看，我看到了一种方法来规避该过程，这是获得的原始PDF的文本层，并将其传递到最终的PDF是压缩的，尝试一些代码，如删除所有图像的PDF和单独与文本层，并插入我的压缩图像，但问题相比于上面提供的正常过程中，该文件的重量增加了超过4.2MB，这对我来说并不方便。当我寻
浏览 0提问于2014-05-16得票数 0
1回答
我有一个任务，在那里，我必须提取文本，是背后的图像，并已从图像本身OCR编辑。这一案文是透明的。问题是，有一个图像，它的背后有文字，不是OCR编辑的，它只是正常的文本，它是不透明的。如何区分所需(透明)和不需要(不透明)文本？
这是一个具有代表性的pdf文件：图像OCR文本应该在第2页、第3页、第12页上提取，而文本也在第4页上提取。在第4页，图像后面没有OCR文本，但是图像下面有规则文本。我需要过滤掉它，因为我只需要OCR文本。
浏览 6提问于2021-07-13得票数 0
回答已采纳
我指的是在tiff和jpeg文件上执行光学字符识别的“”，而是说“找不到尾部字典”，“无法读取外部参照表”，“异常失败(”错误: pdfinfo无法确定页数。检查pdf输入文件。\n“)”虽然从jpeg或tiff文件到PDF文件的转换工作正常，并且PDF文件在alfresco共享页面上可见“，但没有OCR正在处理这些tiff和jpeg文件
浏览 1提问于2017-06-26得票数 0
1回答
我安装了gocr，命令由ubuntu终端(sudo apt install gocr)建议，以便对pdf文件中的文本进行OCR识别。我怎么能用呢？我没有找到一个教程来做这个。
浏览 0提问于2020-07-20得票数 3
1回答
跟进如何OCR一个pdf文件和获得的文本存储在pdf？，我成功地制作了OCRed pdf页面。
然而，由于没有显示字母，我的意思是我看不到字符，但我可以选择它们，复制它们，并将它们粘贴到其他地方。这似乎不是Evince：https://bugzilla.redhat.com/show_bug.cgi?id=1364201的错误
当使用pdf三明治启动pdf页的OCR时，tesseract生成一个页面
包含没有任何可用符号的字体(他们将其命名为GlyphLessFont)。它只有.notdef和.null替代品(正方形)。如果字符没有字形，则Evince使用.notdef字形。Okular突出文
浏览 0提问于2016-08-27得票数 5
正如标题所述，有没有办法使用Python对一个文件夹中的所有pdf文件进行OCR？我有下面的代码，但它只有一个文件的OCR一次和提取文本。我想做一个文件夹中所有的pdf的一般光学字符识别。如果可以的话，请让我知道。
from wand.image import Image
from PIL import Image as PI
import pyocr
import pyocr.builders
import io
tool = pyocr.get_available_tools()[0]
lang = tool.get_available_languages()[1]
req_image
浏览 0提问于2018-05-29得票数 0
我的操作系统是Ubuntu12.04。如何将pdf文件从灰度转换为黑白？灰度pdf文件来自于带有灰度选项的扫描，并且OCR需要黑白等级pdf。
更新：
根据Marco的答复，B pdf不是很好，原始文件是这里。
浏览 0提问于2013-07-28得票数 13
我需要将扫描文档转换为mac上可搜索的文本PDF。
Acrobat可以通过其文本识别功能完美地完成这一任务，但考虑到我只需要这一个功能，Acrobat是相当昂贵的。有没有其他OCR工具可以做到这一点？OCR结果的质量很重要。
它不需要免费，只需要比Acrobat更低的成本。
浏览 0提问于2015-03-02得票数 2
回答已采纳
我有一个包含pdf文件的目录。我已经编写了在将文件名传递给wand.image类的对象时执行光学字符识别的代码。我现在想做的是循环遍历pdf文件的目录，为每个pdf生成一个OCR的txt文件，并将其保存在某个目录中。到目前为止，我写的代码如下： import io
from PIL import Image
import pytesseract
from wand.image import Image as wi
pdf = wi(filename = r"D:\files\aba7d525-04b8-4474-a40d-e94f9656ed42.pdf", reso
浏览 12提问于2019-05-30得票数 0
X版本有许多示例，但它们不能与XI一起工作，这是因为这些示例与菜单项一起工作，而Adobe into将OCR工具从菜单中移走。因此，我不知道如何使用applescript告诉Acrobat XI对某些文件执行OCR。
我的最终目标是设置一个关注的文件夹与黑泽自动光学字符识别每一个我放入的PDF文件，请不要告诉我使用PDFPen，我不喜欢它，我只是喜欢光学字符识别的特殊能力的Acrobat ;-)
谢谢。
-
cordialmente，
tiziano solignani，daMac
浏览 4提问于2013-02-05得票数 0
我正在使用将PDF文件解析为文本。一些PDF文件可以包含扫描文档。Apache使用Tesseract将文本识别为图像。但是没有带有Tesseract的jar库，用户应该在操作系统中安装Tesseract作为独立的应用程序。如果不安装Tesseract，我如何使用Apache中的Tesseract？我尝试将tesseract文件夹添加到类路径中，并进行如下配置：
TesseractOCRConfig config = new TesseractOCRConfig();
config.setTesseractPath("tesseract");
config.setTessdata
浏览 5提问于2017-09-16得票数 6
1回答
在r中的pdf上执行ocr时出错
、、、、
在r中的pdf上尝试OCR，这给了我错误。运行代码后，也会生成"i.txt“文件，但仍然会出现错误。
pdftoppm version 4.00
Copyright 1996-2017 Glyph & Cog, LLC
Usage: pdftoppm [options] <PDF-file> <PPM-root>
-f <int> : first page to print
-l <int> : last page to print
-r <number> :
浏览 3提问于2017-09-20得票数 0
我的代码应该是从一个目录中获取每个pdf，对其进行OCR，然后为每个OCR'd pdf返回一个.txt文件。除了将.pdf更改为.txt之外，pdf和.txt文件的名称应该相同。我被困在分割输入pdf名称的部分，以便为OCR'd文件生成具有.txt扩展名的相同名称。目录中的示例文件如下所示："000dbf9d-d53f-465f-a7ce-722722136fb7465.pdf".我需要输出为"000dbf9d-d53f-465f-a7ce-722722136fb7465.txt".此外，我的代码不会创建新的.txt文件，而是在每次迭代时覆盖一
浏览 13提问于2019-05-31得票数 1
回答已采纳
1回答
如何检测pdf是文本还是图像？
、、、、
我有一个应用程序，用户可以上传pdf，并将其转换为text以供进一步处理。事情是，一些上传的文件是图像pdf，所以转换不工作。与其将所有pdf分解成图像，然后再将它们分割成ocr，我更愿意只发送那些已被证明或检测为图像的图像，有什么方法可以这样做吗，我正在linux (debian)环境中使用php
更新
在搜索最终解决方案时，我遵循了@Andrew的建议，计算了生成的txt文件中的字数，如果它少于10个单词，则继续下一步: pdf到图像以供以后的ocr识别，这就是我现在正在做的工作……
// convert any file with pdf extension to text
$cmd =
浏览 1提问于2015-10-06得票数 1
在macOS 12 (蒙特雷)中，有一个名为的新特性。它可以通过OCR识别图像中的文本。
MacOS的预览应用程序允许您在图像文件中选择文本，还可以将图像转换为PDF文件。同时，我没有找到将图像导出到可搜索PDF中的方法，它可以让您搜索并选择导出的PDF文件中的文本。
有任何方法将图像转换成macOS蒙特雷的搜索PDF文件吗？
浏览 9提问于2022-03-02得票数 2
我有一个PDF文件，这是一个OCR处理器的输出，这个OCR处理器识别图像，将文本添加到pdf中，但最后放置的是低质量的图像而不是原始图像(我不知道为什么有人会这样做，但他们确实这样做了)。
所以，我想得到这个PDF文件，删除图像流，离开文本，以便我可以得到它，并导入(使用iText页面导入功能)到我自己创建的真实图像的PDF文件。
在有人问之前，我已经尝试使用另一个工具来提取文本坐标(JPedal)，但是当我在我的PDF上绘制文本时，它与原始文本的位置不同。
我更希望用Java来完成这项工作，但如果有其他工具可以做得更好，请让我知道。这可能只是图像删除，我可以生活在一个PDF的绘图在那里。
浏览 3提问于2011-07-26得票数 11
回答已采纳
1回答
我有一个要更新的表。在我的表中，如果一列有重复项，则将其与其匹配项分组在一起。其中一份文件是原件。我需要更新我的表，以使组Id等于原始文档。因此，如果所有文档属于同一组，则它们必须具有相同的统一标题。例如，OCR0000000006和OCR0000000008都有统一的标题06000146.pdf。
下面是我的表格示例：
DOCID Duplicate_Group Duplicate_Principal Duplicate_Similarity Unified_Title
OCR0000000001 OCR0000000001 Yes
浏览 0提问于2014-03-22得票数 0
我正在创建一个服务，用于监视文件夹中的扫描文件。一旦文件存在，该服务就会提取它，并将其转换为可读的PDF。在此过程中，该服务还会搜索条形码。在此之后，提取文本，并将文件及其文本存储到我们软件的数据库中。该位置基于条形码。
现在，对于光学字符识别，我们使用了Atalasoft的SDK ()。此外，条形码识别器也包含在此SDK中。
但是转换后的文本仍然有一些错误。(我用其他OCR程序运行了一些测试，但Atalasoft运行得很好。)我正在寻找一些软件(SDK-套件)，可以让我提高的质量的PDF的OCR的目的。
我测试了Kofax ()。我正在寻找类似的东西，但这可以使用某种SDK-kit在服务中实
浏览 2提问于2011-07-06得票数 5
回答已采纳
我有一个方法，在我们的软件，从PDF，从扫描或文本生成的文本。
我通常先尝试GetTextFromPage()方法。如果它不返回文本，那么我将移到页面的OCR上。
我有一个特别的6页PDF，前三页是扫描文件，最后两页是一份表格。
在这个PDF文件中，我得到了一个我无法解决的错误。
'StandardEncoding' is not a supported encoding name. For information on defining a custom encoding, see the documentation for the Encoding.RegisterProv
浏览 7提问于2020-04-27得票数 0
回答已采纳
我目前正在分析一组PDF文件。我想知道有多少PDF文件属于这三个类别：
数字创建PDF:文本在那里(可复制)，并保证它是正确的，因为它是直接创建的，例如从Word创建的
只有图像的PDF:扫描文档
可搜索PDF:扫描文档，但使用OCR引擎。OCR引擎将文本放在图像“下面”，以便搜索/复制内容。由于OCR相当不错，这在大多数情况下是正确的。但这并不一定是正确的。
这是很容易识别图像仅PDF在我的领域，因为每个PDF包含文本。如果我不能提取任何文本，它只是图像。但我怎么知道它是“只是”可搜索的PDF，还是数字创建的PDF呢？
顺便说一句，它并不像我看到的扫描文档那样简单，生产者
浏览 11提问于2020-08-19得票数 11
回答已采纳
3回答
我四处寻找一个OCR库-最好是开源的-我可以在一些阿拉伯语pdf上使用它。在谷歌上搜索也没有找到任何有用的东西。我想知道是否有人知道相关的OCR库，甚至可以在相关语言(波斯语和乌尔都语可能是相关的)上工作的库，可以添加阿拉伯语支持。
任何关于如何实现这一点的一般性建议都将不胜感激。
浏览 5提问于2011-01-15得票数 15
我想知道是否使用OCR从扫描文档中创建了PDF。
为了使扫描文档中的文本可选，我想相同的文本是用透明的颜色，一种特殊的字体，.
我正在使用pdfbox，我查看了字体、颜色和许多其他属性，我没有发现任何特别的东西。
浏览 2提问于2014-06-12得票数 0
回答已采纳
1回答
我必须从PDF文档中提取OCR表。我编写了简单的Python+opencv脚本来获取单个单元格。在那个新问题出现之后。文本是反别名的，而且质量不好。的识别率很低。我试着用自适应阈值对图像进行预处理，但效果并不好。我尝试过ABBYY FineReader的试用版，实际上它提供了很好的输出，但我不想使用非免费软件。我想知道某些预处理是否能解决问题，或者编写和学习其他OCR系统是否必要。
浏览 1提问于2014-02-17得票数 3
回答已采纳
1回答
我正在尝试使用perl从扫描的PDF中获取文本，所以我在perl中使用了PDF::OCR2模块，但我无法安装此模块，安装Image::OCR::Tesseract模块失败，我使用的是CentOS7，这是我在安装过程中的错误。
one dependency not OK (Image::OCR::Tesseract); additionally test harness failed
/usr/bin/make test -- NOT OK
//hint// to see the cpan-testers results for installing this module, try:
浏览 17提问于2016-08-19得票数 0
2回答
使用新版SDK（java）调用ocr身份证识别接口ocr.tencentcloudapi.com，在云服务器上报一下错误
com.tencentcloudapi.common.exception.TencentCloudSDKException: javax.net.ssl.SSLPeerUnverifiedException-Hostname ocr.tencentcloudapi.com not verified:
certificate: sha1/2oGH1NU0zoUGcAYBTGnGkeHt4LQ=
DN: CN=*.ap-shanghai.tencentcloud
浏览 1490提问于2019-09-06
我正在使用Microsoft Azure Computer Vision进行OCR PDF提取。当我尝试执行OCR时，它给出的错误为 Read PDF With OCR: Error performing OCR: MicrosoftAzureComputerVisionErrorRunEngine 在这件事上，有人能支持我吗？
浏览 31提问于2020-07-01得票数 0
我正在使用ocrmypdf库将扫描的pdf转换成可搜索的pdf，但我得到了这个错误。
这是我目前正在运行的代码
import ocrmypdf
ocrmypdf.ocr('/content/drive/MyDrive/Dataset 2020/OCR/1081975.pdf', 'output.pdf')
错误:-
AttributeError: module 'ocrmypdf' has no attribute 'ocr'
浏览 5提问于2020-11-24得票数 1
回答已采纳
我想使用RPi上的OCR程序来识别我的电表照片中的数字。这些数字很大，对我来说很明显，但Tesseract似乎根本认不出它们--充其量它能检测到一些随机错误的数字。
我已经尝试过剪切这些数字，并分别对它们进行OCRing，但这并没有帮助。我试过其他几个OCR程序，它们也没有更好。
请你给我一些建议，我怎样才能让Tesseract正确地识别出下图中的两个大数字？请注意，这是原始图片是~2.5MB -这个副本更小，以适应这个网站。
📷
浏览 0提问于2017-08-07得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
