PDF를 OCR에 Tesseract를 사용하여 실험 해 왔으며 특히 Adobe Acrobat과 같은 도구가 제대로 인식 할 수없는 독일어 Fraktur 텍스트 (구식 고딕 양식 인쇄)를 사용하는 경우에 대부분 성공했습니다.
문제는 Tesseract의 출력 파일이 다소 커서 OCR 후 압축하고 싶습니다. 그러나 Ghostscript를 사용하여 파일을 압축하면 포함 된 OCR 텍스트가 엉망이됩니다. 마찬가지로 ImageMagick을 사용하면 포함 된 텍스트가 제거됩니다. 이 주위에 방법이 있습니까? 이론적으로 OCRing 전에 압축 할 수는 있지만 OCR 정확도가 떨어집니다.
일반적으로 내 목표는 출력 PDF 파일에 고품질 OCR 포함 텍스트를 포함하고 파일이 거의 많은 공간을 차지하지 않도록 포함 된 이미지를 압축하는 것입니다. Adobe Acrobat Pro 기능인 “다른 이름으로 저장> 축소 크기 PDF”는 이미지를 압축하지만 OCR의 텍스트를 고정시키는 것으로 나타났습니다. 파일이 Acrobat에서 OCR로 작성되었는지 또는 Tesseract와 같은 도구를 사용하는지에 관계없이 적용됩니다.
다음은 샘플 pdf를 사용하는 현재 워크 플로 입니다.
TIFF 파일로 PDF 분할
pdftk infile.pdf burst output "temp/page_%03d.pdf"
dpi=130 #this is the dpi of the particular file
parallel convert -verbose -density $dpi "{}" -depth 8 -background white -compress zip "{}.tiff" ::: temp/*.pdf
각 TIFF 파일에서 Tesseract를 실행하십시오 ( 샘플 파일의 출력 참조 ).
language=deu_frak
parallel tesseract {} {} -l $language pdf ::: temp/*.tiff
- 내가 고스트 스크립트로 출력 PDF 파일을 결합 할 때, 나는 같은 파일을 얻을 이 하나 , 포함 된 텍스트까지 나사를
- 내가 PDFtk (예 : pdftk 온도 / *. PDF 고양이 출력 outfile.pdf`)와 조합 할 때, 나는 같은 파일을 얻을 이 하나 포함 된 텍스트를 유지하지만 어떻게 든 파일 큰 수
- 그런 다음 ImageMagic (예 :)을 사용하여 해당 파일을 압축하려고
convert -density 130x130 -quality 5 -compress jpeg outfile-pdftk.pdf outfile-pdftk-imagemagick.pdf하면 포함 된 OCR 텍스트 ( 출력 )를 제거합니다
Tesseract는 출력 PDF의 이미지를 압축하지 않는 것 같습니다. 출력은 압축하지 않고 파일을 OCR로 만드는 것입니다.
예를 들어, 초기 Tesseract OCR 파일에서 다음을 pdfimages -list temp/page_001.pdf.tiff.pdf생성합니다.
page num type width height color comp bpc enc interp object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
1 0 image 1067 1508 rgb 3 8 jpeg no 11 0 129 130 318K 6.7%
… PDF의 이미지 객체가 정확하게 최적으로 저장되지 않았 음을 나타냅니다. 여전히 흑백이 아니라 RGB입니다. 이와 달리 ImageMagick으로 압축하면 다음과 같은 이점 pdfimages -list이 있습니다.
pdfimages -list outfile-pdftk-imagemagick.pdf
page num type width height color comp bpc enc interp object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
1 0 image 1075 1520 gray 1 8 jpeg no 8 0 130 131 54.0K 3.4%
1 1 smask 1075 1520 gray 1 8 image no 8 0 130 131 25.1K 1.6%
2 2 image 1075 1520 gray 1 8 jpeg no 22 0 130 131 59.9K 3.8%
2 3 smask 1075 1520 gray 1 8 image no 22 0 130 131 25.1K 1.6%
3 4 image 1075 1520 gray 1 8 jpeg no 36 0 130 131 45.2K 2.8%
3 5 smask 1075 1520 gray 1 8 image no 36 0 130 131 25.1K 1.6%
4 6 image 1075 1520 gray 1 8 jpeg no 50 0 130 131 62.8K 3.9%
4 7 smask 1075 1520 gray 1 8 image no 50 0 130 131 25.1K 1.6%
5 8 image 1075 1520 gray 1 8 jpeg no 64 0 130 131 61.1K 3.8%
5 9 smask 1075 1520 gray 1 8 image no 64 0 130 131 25.1K 1.6%
6 10 image 1075 1520 gray 1 8 jpeg no 78 0 130 131 63.4K 4.0%
6 11 smask 1075 1520 gray 1 8 image no 78 0 130 131 25.1K 1.6%
7 12 image 1075 1520 gray 1 8 jpeg no 92 0 130 131 65.1K 4.1%
7 13 smask 1075 1520 gray 1 8 image no 92 0 130 131 25.1K 1.6%
8 14 image 1075 1520 gray 1 8 jpeg no 106 0 130 131 61.0K 3.8%
8 15 smask 1075 1520 gray 1 8 image no 106 0 130 131 25.1K 1.6%
9 16 image 1075 1520 gray 1 8 jpeg no 120 0 130 131 66.8K 4.2%
9 17 smask 1075 1520 gray 1 8 image no 120 0 130 131 25.1K 1.6%
10 18 image 1075 1520 gray 1 8 jpeg no 134 0 130 131 65.6K 4.1%
10 19 smask 1075 1520 gray 1 8 image no 134 0 130 131 25.1K 1.6%
우리가 볼 수 있듯이 이미지는 공간을 덜 차지하지만 OCR이 포함 된 텍스트는 제거되었고 어떻게 든 파일은 적습니다. 이에 비해 OCR 내장 텍스트없이 원본 파일을 가져와 Adobe Acrobat의 “다른 이름으로 저장> 축소 크기 PDF”를 사용하여 압축하면 다음과 같은 이점이 있습니다.
pdfimages -list infile-adobe.pdf
page num type width height color comp bpc enc interp object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
1 0 image 1000 1499 gray 1 8 jpx no 38 0 129 129 78.1K 5.3%
2 1 image 1000 1499 gray 1 8 jpx no 3 0 129 129 89.1K 6.1%
3 2 image 1000 1499 gray 1 8 jpx no 6 0 129 129 65.6K 4.5%
4 3 image 1000 1499 gray 1 8 jpx no 9 0 129 129 97.7K 6.7%
5 4 image 1000 1499 gray 1 8 jpx no 12 0 129 129 95.4K 6.5%
6 5 image 1000 1499 gray 1 8 jpx no 15 0 129 129 98.7K 6.7%
7 6 image 1000 1499 gray 1 8 jpx no 18 0 129 129 102K 6.9%
8 7 image 1000 1499 gray 1 8 jpx no 21 0 129 129 94.6K 6.5%
9 8 image 1000 1499 gray 1 8 jpx no 24 0 129 129 105K 7.2%
10 9 image 1000 1499 gray 1 8 jpx no 27 0 129 129 103K 7.1%
… 보시다시피, Adobe Acrobat은 특허 문제로 인해 Ghostscript 또는 ImageMagick에서 사용할 수없는 JPEG2000 (JPX)을 사용하여 이미지를 압축하는 것 같습니다.
전체적으로 Tesseract-OCR의 PDF 파일을 압축하는 방법에 대한 제안 사항이 있습니까?